論文の概要: Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set
Prediction
- arxiv url: http://arxiv.org/abs/2402.19385v1
- Date: Thu, 29 Feb 2024 17:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 13:47:09.990678
- Title: Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set
Prediction
- Title(参考訳): 安全で信頼性の高い自律運転に向けて:動的作業セット予測
- Authors: Wenbo Shao, Jiahui Xu, Wenhao Yu, Jun Li, Hong Wang
- Abstract要約: 本研究は, 軌道予測能力の向上を目的とした, DOS(Dynamic Occupancy Set)予測の新しい手法を提案する。
トラフィック参加者の潜在的占有セットを予測するための、包括的で適応可能なフレームワークを提供する。
本研究は、より安全で効率的な車両・輸送システムの進歩に寄与する。
- 参考スコア(独自算出の注目度): 13.235070498354672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the rapidly evolving field of autonomous driving, accurate trajectory
prediction is pivotal for vehicular safety. However, trajectory predictions
often deviate from actual paths, particularly in complex and challenging
environments, leading to significant errors. To address this issue, our study
introduces a novel method for Dynamic Occupancy Set (DOS) prediction, enhancing
trajectory prediction capabilities. This method effectively combines advanced
trajectory prediction networks with a DOS prediction module, overcoming the
shortcomings of existing models. It provides a comprehensive and adaptable
framework for predicting the potential occupancy sets of traffic participants.
The main contributions of this research include: 1) A novel DOS prediction
model tailored for complex scenarios, augmenting traditional trajectory
prediction; 2) The development of unique DOS representations and evaluation
metrics; 3) Extensive validation through experiments, demonstrating enhanced
performance and adaptability. This research contributes to the advancement of
safer and more efficient intelligent vehicle and transportation systems.
- Abstract(参考訳): 自律運転の急速に発展する分野では、正確な軌道予測が車体の安全のために重要である。
しかし、軌道予測はしばしば実際の経路から逸脱し、特に複雑で困難な環境では重大なエラーを引き起こす。
この問題に対処するため,本稿では,軌道予測能力の向上を図った,DOS(Dynamic Occupancy Set)予測手法を提案する。
本手法は,既存のモデルの欠点を克服し,高度軌跡予測ネットワークとDOS予測モジュールを効果的に結合する。
トラフィック参加者の潜在的占有セットを予測するための、包括的で適応可能なフレームワークを提供する。
本研究の主な貢献は以下のとおりである。
1) 従来の軌道予測を増強する複雑なシナリオに適した新しいDOS予測モデル
2)ユニークなDOS表現と評価指標の開発
3) 実験による広範囲な検証、性能向上と適応性実証。
本研究は、より安全で効率的な車両・輸送システムの進歩に寄与する。
関連論文リスト
- Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳(メタデータ) (2023-06-08T18:03:48Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳(メタデータ) (2022-03-09T21:08:47Z) - TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator
and Predictor [3.6955256596550137]
軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。
本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。
我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
論文 参考訳(メタデータ) (2022-03-02T17:37:44Z) - Transformer based trajectory prediction [71.31516599226606]
我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。
実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
論文 参考訳(メタデータ) (2021-12-08T16:00:14Z) - Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。
学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。
提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-21T08:27:56Z) - Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。
ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。
我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
論文 参考訳(メタデータ) (2021-03-06T04:49:24Z) - 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) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z)
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。