論文の概要: Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2402.16036v1
• Date: Sun, 25 Feb 2024 09:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 15:43:25.413118
• Title: Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
• Title（参考訳）: 機械学習に基づく自動車意図軌道認識と自律運転予測
• Authors: Hanyi Yu, Shuning Huo, Mengran Zhu, Yulu Gong, Yafei Xiang
• Abstract要約: 2016年3月、グーグルの自動運転車がバスと小さな衝突に巻き込まれた。 本稿では,自律走行車線変更行動の深層学習に基づく予測手法を提案する。 安全な車線変更を容易にし、道路の安全性を向上させることを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, the expansion of internet technology and advancements in automation have brought significant attention to autonomous driving technology. Major automobile manufacturers, including Volvo, Mercedes-Benz, and Tesla, have progressively introduced products ranging from assisted-driving vehicles to semi-autonomous vehicles. However, this period has also witnessed several traffic safety incidents involving self-driving vehicles. For instance, in March 2016, a Google self-driving car was involved in a minor collision with a bus. At the time of the accident, the autonomous vehicle was attempting to merge into the right lane but failed to dynamically respond to the real-time environmental information during the lane change. It incorrectly assumed that the approaching bus would slow down to avoid it, leading to a low-speed collision with the bus. This incident highlights the current technological shortcomings and safety concerns associated with autonomous lane-changing behavior, despite the rapid advancements in autonomous driving technology. Lane-changing is among the most common and hazardous behaviors in highway driving, significantly impacting traffic safety and flow. Therefore, lane-changing is crucial for traffic safety, and accurately predicting drivers' lane change intentions can markedly enhance driving safety. This paper introduces a deep learning-based prediction method for autonomous driving lane change behavior, aiming to facilitate safe lane changes and thereby improve road safety.
• Abstract（参考訳）: 近年、インターネット技術の拡大と自動化の進歩は、自動運転技術に大きな注目を集めている。 ボルボ、メルセデス・ベンツ、テスラなどの主要自動車メーカーは、補助走行車から半自動走行車まで、徐々に製品を導入してきた。 しかし、この期間には自動運転車に関する交通安全問題もいくつか見られる。 例えば2016年3月、googleの自動運転車がバスと小さな衝突に巻き込まれた。 事故当時、自動運転車は右車線に合流しようとしたが、車線変更中にリアルタイムの環境情報に動的に対応できなかった。 接近するバスはそれを避けるために減速し、バスとの低速衝突につながると誤って仮定した。 この出来事は、自動運転技術の急速な進歩にもかかわらず、現在の技術的欠点と自律車線変更行動に関連する安全上の懸念を強調している。 車線変更は高速道路の運転において最も一般的で危険な行動の1つであり、交通の安全と流れに大きな影響を及ぼす。 したがって、車線変更は交通安全に不可欠であり、運転者の車線変更意図を正確に予測することは運転安全性を著しく向上させることができる。 本稿では、安全な車線変更を容易にし、道路の安全性を向上させることを目的とした、自動運転車線変更行動のディープラーニングに基づく予測手法を提案する。

関連論文リスト

• UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles [2.1985100893513834]
  限られた車線幅は、道路の容量を減らし、自動運転車による深刻な事故のリスクを高めることができる。 本研究では,無人航空機と自律走行車の観点から道路幅を区分し,推定するモデルを提案する。 提案するアプローチは、自動運転車に最新かつ正確な洞察を与え、冬の風景における適応性と意思決定能力を高めるために必要である。
  論文  参考訳（メタデータ） (2024-06-18T07:53:37Z)
• Safety Implications of Explainable Artificial Intelligence in End-to-End Autonomous Driving [4.1636282808157254]
  エンドツーエンドの学習パイプラインは、高度に自律的な車両の開発におけるパラダイムシフトを徐々に生み出している。 現代の学習手法によるリアルタイム意思決定における解釈可能性の欠如は、ユーザの信頼を阻害し、そのような車両の広範な展開と商業化を阻害する。 この調査は、質問に答えようとしている。いつ、どのように説明がエンドツーエンドの自動運転の安全性を改善することができるのか?
  論文  参考訳（メタデータ） (2024-03-18T18:49:20Z)
• Optimized Detection and Classification on GTRSB: Advancing Traffic Sign Recognition with Convolutional Neural Networks [0.0]
  本稿では,CNNの精度を96%近く向上する革新的な手法を提案する。 高度なローカライゼーション技術によってさらに精度が向上する可能性を強調している。
  論文  参考訳（メタデータ） (2024-03-13T06:28:37Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
  道路事故は世界8大死因である。 様々な要因がドライバーの疲労の原因となっている。 ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
  論文  参考訳（メタデータ） (2022-08-31T08:42:28Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Self-Driving Cars and Driver Alertness [16.00431760297241]
  自動運転車を制御している間の注意力の低下は、予測不能な状況下でドライバーが介入する能力を妨げかねない。 研究者、ドライバー、業界、政策立案者など、さまざまな利害関係者に推奨します。
  論文  参考訳（メタデータ） (2021-07-20T23:55:44Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)

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。