論文の概要: A Cognitive-Based Trajectory Prediction Approach for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2402.19251v1
- Date: Thu, 29 Feb 2024 15:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 14:25:48.238329
- Title: A Cognitive-Based Trajectory Prediction Approach for Autonomous Driving
- Title（参考訳）: 自律走行のための認知的軌道予測手法
- Authors: Haicheng Liao, Yongkang Li, Zhenning Li, Chengyue Wang, Zhiyong Cui,
Shengbo Eben Li, Chengzhong Xu
- Abstract要約: 本稿では,教師による知識蒸留の枠組みを取り入れたHuman-Like Trajectory Prediction (H)モデルを提案する。
教師」モデルは人間の脳、特に後頭葉と側頭葉の機能の視覚的処理を模倣する。
学生」モデルはリアルタイムのインタラクションと意思決定に焦点を合わせ、正確な予測のために重要な知覚的手がかりを捉えます。
- 参考スコア（独自算出の注目度）: 21.130543517747995
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In autonomous vehicle (AV) technology, the ability to accurately predict the
movements of surrounding vehicles is paramount for ensuring safety and
operational efficiency. Incorporating human decision-making insights enables
AVs to more effectively anticipate the potential actions of other vehicles,
significantly improving prediction accuracy and responsiveness in dynamic
environments. This paper introduces the Human-Like Trajectory Prediction (HLTP)
model, which adopts a teacher-student knowledge distillation framework inspired
by human cognitive processes. The HLTP model incorporates a sophisticated
teacher-student knowledge distillation framework. The "teacher" model, equipped
with an adaptive visual sector, mimics the visual processing of the human
brain, particularly the functions of the occipital and temporal lobes. The
"student" model focuses on real-time interaction and decision-making, drawing
parallels to prefrontal and parietal cortex functions. This approach allows for
dynamic adaptation to changing driving scenarios, capturing essential
perceptual cues for accurate prediction. Evaluated using the Macao Connected
and Autonomous Driving (MoCAD) dataset, along with the NGSIM and HighD
benchmarks, HLTP demonstrates superior performance compared to existing models,
particularly in challenging environments with incomplete data. The project page
is available at Github.
- Abstract（参考訳）: 自動運転車(AV)技術において、周囲の車両の動きを正確に予測する能力は、安全性と運用効率を確保するための最重要課題である。
人間の意思決定の洞察を取り入れることで、AVは他の車両の潜在的な行動をより効果的に予測し、動的環境における予測精度と応答性を大幅に改善することができる。
本稿では,人間の認知過程に触発された教師・学生の知識蒸留フレームワークを応用したヒューマン・ライク・軌道予測(hltp)モデルを提案する。
HLTPモデルは洗練された教師による知識蒸留の枠組みを取り入れている。
適応的な視覚セクタを備えた「教師」モデルは、人間の脳、特に後頭葉と側頭葉の機能の視覚処理を模倣している。
学生」モデルは、リアルタイムの相互作用と意思決定に焦点を当て、前頭前皮質と頭頂皮質の機能に平行に描画する。
このアプローチは、運転シナリオの変更に対する動的適応を可能にし、正確な予測に不可欠な知覚的手がかりをキャプチャする。
Macao Connected and Autonomous Driving (MoCAD)データセットとNGSIMとHighDベンチマークを使って評価すると、HLTPは既存のモデル、特に不完全なデータを持つ挑戦的な環境で、既存のモデルよりも優れたパフォーマンスを示している。
プロジェクトページはgithubで公開されている。
関連論文リスト
- Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction [26.14918154872732]
本稿では,Human-Like Trajectory Prediction Model (H++)を提案する。
H++は自律運転(AD)の軌道予測を改善するために人間の認知過程をエミュレートする
NGSIM、HighD、MoCADベンチマークを用いて評価すると、H++は既存のモデルよりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-07-09T16:42:17Z) - 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) - 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) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:15:57Z) - DriveAdapter: Breaking the Coupling Barrier of Perception and Planning
in End-to-End Autonomous Driving [64.57963116462757]
最先端の手法は通常、教師-学生のパラダイムに従う。
学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。
本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
論文 参考訳（メタデータ） (2023-08-01T09:21:53Z) - Policy Pre-training for End-to-end Autonomous Driving via
Self-supervised Geometric Modeling [96.31941517446859]
PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。
本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。
第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。
第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
論文 参考訳（メタデータ） (2023-01-03T08:52:49Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - Building Trust in Autonomous Vehicles: Role of Virtual Reality Driving
Simulators in HMI Design [8.39368916644651]
本研究では,生理的信号から収集した連続的客観的情報に基づいて,AVのユーザエクスペリエンスを検証する手法を提案する。
本手法を車両の感覚・計画システムに関する視覚的手がかりを提供するヘッドアップディスプレイインタフェースの設計に適用した。
論文 参考訳（メタデータ） (2020-07-27T08:42:07Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z)
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。