論文の概要: Vehicle Behavior Prediction by Episodic-Memory Implanted NDT
- arxiv url: http://arxiv.org/abs/2402.08423v1
- Date: Tue, 13 Feb 2024 12:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 15:31:39.151796
- Title: Vehicle Behavior Prediction by Episodic-Memory Implanted NDT
- Title（参考訳）: エピソード記憶型NDTによる車両挙動予測
- Authors: Peining Shen, Jianwu Fang, Hongkai Yu, and Jianru Xue
- Abstract要約: 既存のディープラーニングベースの手法は、優れた精度と精度を示してきたが、ブラックボックスの性質は、それらを実用的に適用することは信用できない。
エピソードメモリ埋込みニューラル決定木(eMem-NDT)による目標車両の挙動予測の解釈可能性の検討
eMem-NDTは、ディープラーニングモデルのソフトマックス層をeMem-NDTに変更することにより、トレーニング済みのディープラーニングモデルのニューラルバック部分である。
- 参考スコア（独自算出の注目度）: 24.652718017461336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In autonomous driving, predicting the behavior (turning left, stopping, etc.)
of target vehicles is crucial for the self-driving vehicle to make safe
decisions and avoid accidents. Existing deep learning-based methods have shown
excellent and accurate performance, but the black-box nature makes it
untrustworthy to apply them in practical use. In this work, we explore the
interpretability of behavior prediction of target vehicles by an Episodic
Memory implanted Neural Decision Tree (abbrev. eMem-NDT). The structure of
eMem-NDT is constructed by hierarchically clustering the text embedding of
vehicle behavior descriptions. eMem-NDT is a neural-backed part of a
pre-trained deep learning model by changing the soft-max layer of the deep
model to eMem-NDT, for grouping and aligning the memory prototypes of the
historical vehicle behavior features in training data on a neural decision
tree. Each leaf node of eMem-NDT is modeled by a neural network for aligning
the behavior memory prototypes. By eMem-NDT, we infer each instance in behavior
prediction of vehicles by bottom-up Memory Prototype Matching (MPM) (searching
the appropriate leaf node and the links to the root node) and top-down Leaf
Link Aggregation (LLA) (obtaining the probability of future behaviors of
vehicles for certain instances). We validate eMem-NDT on BLVD and LOKI
datasets, and the results show that our model can obtain a superior performance
to other methods with clear explainability. The code is available at
https://github.com/JWFangit/eMem-NDT.
- Abstract（参考訳）: 自動運転では、自動運転車が安全な意思決定を行い、事故を避けるために、目標車両の挙動(左折、停止など)を予測することが不可欠である。
既存のディープラーニングベースの手法は、優れた精度と精度を示しているが、ブラックボックスの性質から、実用的に適用することは信用できない。
本研究では,Epsodic Memory implanted Neural Decision Tree (eMem-NDT) による目標車両の挙動予測の解釈可能性について検討する。
eMem-NDTの構造は、車両動作記述のテキスト埋め込みを階層的にクラスタリングすることによって構成される。
emem-ndtは、深層モデルのソフトマックス層をemem-ndtに変更することにより、神経決定木上のトレーニングデータにおける歴史的な車両動作特徴のメモリプロトタイプをグループ化し、調整することにより、事前学習されたディープラーニングモデルのニューラルネットワーク部分である。
eMem-NDTの各リーフノードは、行動記憶プロトタイプを調整するニューラルネットワークによってモデル化される。
emem-ndtにより、ボトムアップメモリプロトタイプマッチング(mpm)(適切なリーフノードとルートノードへのリンク)とトップダウンリーフリンクアグリゲーション(lla)により車両の挙動予測における各インスタンスを推定し、特定のインスタンスに対する車両の将来の挙動の確率を求める。
BLVDおよびLOKIデータセット上でのeMem-NDTの有効性を検証し,本モデルが他の手法よりも優れていることを示す。
コードはhttps://github.com/JWFangit/eMem-NDTで入手できる。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳（メタデータ） (2023-12-11T13:27:51Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction [24.94160059351764]
ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-20T02:24:27Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - Driving Style Representation in Convolutional Recurrent Neural Network
Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。
CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。
次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文 参考訳（メタデータ） (2021-02-11T04:33:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。