論文の概要: Risk-aware Trajectory Prediction by Incorporating Spatio-temporal Traffic Interaction Analysis

• arxiv url: http://arxiv.org/abs/2407.10639v1
• Date: Mon, 15 Jul 2024 11:57:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 15:31:11.848880
• Title: Risk-aware Trajectory Prediction by Incorporating Spatio-temporal Traffic Interaction Analysis
• Title（参考訳）: 時空間交通相互作用分析を取り入れたリスク認識軌道予測
• Authors: Divya Thuremella, Lewis Ince, Lars Kunze,
• Abstract要約: 本稿では,データセット内の高リスク相互作用に対応する位置と速度を解析することにより,この情報を得る。 トレーニングでは、高いリスク状況下でより良い予測を生成するために、それを使用します。
• 参考スコア（独自算出の注目度）: 3.7414278978078204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To operate in open-ended environments where humans interact in complex, diverse ways, autonomous robots must learn to predict their behaviour, especially when that behavior is potentially dangerous to other agents or to the robot. However, reducing the risk of accidents requires prior knowledge of where potential collisions may occur and how. Therefore, we propose to gain this information by analyzing locations and speeds that commonly correspond to high-risk interactions within the dataset, and use it within training to generate better predictions in high risk situations. Through these location-based and speed-based re-weighting techniques, we achieve improved overall performance, as measured by most-likely FDE and KDE, as well as improved performance on high-speed vehicles, and vehicles within high-risk locations. 2023 IEEE International Conference on Robotics and Automation (ICRA)
• Abstract（参考訳）: 人間が複雑で多様な方法で対話するオープンエンド環境では、自律型ロボットは、特に他のエージェントやロボットにとって危険な場合、その振る舞いを予測することを学ばなければならない。 しかし、事故のリスクを減らすには、衝突が起こる可能性のある場所や方法に関する事前の知識が必要である。 そこで,本研究では,データセット内のリスクの高い相互作用に対応する位置や速度を分析し,高いリスク状況下でより優れた予測を生成するために,トレーニングに使用することを提案する。 これらの位置ベースおよび速度ベース再重み付け技術により、FDEおよびKDEで測定される全体的な性能の向上と、高速車やリスクの高い場所における車両の性能向上を実現した。 2023 IEEE International Conference on Robotics and Automation (ICRA)

関連論文リスト

• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• HAICOSYSTEM: An Ecosystem for Sandboxing Safety Risks in Human-AI Interactions [76.42274173122328]
  本稿では,多様な複雑な社会的相互作用におけるAIエージェントの安全性を調べるフレームワークであるHAICOSYSTEMを提案する。 私たちは7つの領域(医療、金融、教育など)にわたる92のシナリオに基づいて1840のシミュレーションを実行します。 我々の実験は、最先端のLSMは、プロプライエタリかつオープンソースの両方で、50%以上のケースで安全リスクを示すことを示した。
  論文  参考訳（メタデータ） (2024-09-24T19:47:21Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• LADRI: LeArning-based Dynamic Risk Indicator in Automated Driving System [0.38073142980732994]
  本稿では,自動運転システム(ADS)におけるリアルタイム動的リスクアセスメントのためのフレームワークを提案する。 提案手法はこれらの制限を超越し、ニューラルネットワーク(ANN)を用いてリスク次元を慎重に分析し分類する。
  論文  参考訳（メタデータ） (2024-01-04T11:09:15Z)
• 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)
• Learning Risk-Aware Quadrupedal Locomotion using Distributional Reinforcement Learning [12.156082576280955]
  危険環境への展開には、ロボットが事故を防ぐための行動や動きに関連するリスクを理解する必要がある。 本稿では,分散強化学習を用いたリスクセンシティブな移動訓練手法を提案する。 シミュレーションおよび四足歩行ロボットANYmalにおいて,突発的リスクに敏感な移動行動を示す。
  論文  参考訳（メタデータ） (2023-09-25T16:05:32Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework based on Driving Risk Potential Field [1.625213292350038]
  本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。 既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。 実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
  論文  参考訳（メタデータ） (2023-05-04T01:54:37Z)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。