論文の概要: Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios
- arxiv url: http://arxiv.org/abs/2407.13480v1
- Date: Thu, 18 Jul 2024 13:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 15:20:54.709127
- Title: Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios
- Title（参考訳）: 安全批判シナリオ下におけるリスク対応車両軌道予測
- Authors: Qingfan Wang, Dongyang Xu, Gaoyuan Kuang, Chen Lv, Shengbo Eben Li, Bingbing Nie,
- Abstract要約: 本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。
安全クリティカルな軌道予測データセットと調整された評価指標を導入する。
その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
- 参考スコア（独自算出の注目度）: 25.16311876790003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction is significant for intelligent vehicles to achieve high-level autonomous driving, and a lot of relevant research achievements have been made recently. Despite the rapid development, most existing studies solely focused on normal safe scenarios while largely neglecting safety-critical scenarios, particularly those involving imminent collisions. This oversight may result in autonomous vehicles lacking the essential predictive ability in such situations, posing a significant threat to safety. To tackle these, this paper proposes a risk-aware trajectory prediction framework tailored to safety-critical scenarios. Leveraging distinctive hazardous features, we develop three core risk-aware components. First, we introduce a risk-incorporated scene encoder, which augments conventional encoders with quantitative risk information to achieve risk-aware encoding of hazardous scene contexts. Next, we incorporate endpoint-risk-combined intention queries as prediction priors in the decoder to ensure that the predicted multimodal trajectories cover both various spatial intentions and risk levels. Lastly, an auxiliary risk prediction task is implemented for the ultimate risk-aware prediction. Furthermore, to support model training and performance evaluation, we introduce a safety-critical trajectory prediction dataset and tailored evaluation metrics. We conduct comprehensive evaluations and compare our model with several SOTA models. Results demonstrate the superior performance of our model, with a significant improvement in most metrics. This prediction advancement enables autonomous vehicles to execute correct collision avoidance maneuvers under safety-critical scenarios, eventually enhancing road traffic safety.
- Abstract（参考訳）: 軌道予測は、高レベルの自動運転を実現するためのインテリジェントな車両にとって重要なものであり、近年多くの関連する研究成果が達成されている。
急速な開発にもかかわらず、既存の研究のほとんどは通常の安全シナリオにのみ焦点をあて、特に緊急衝突を含む安全クリティカルなシナリオを無視した。
この監視により、自動運転車はそのような状況において重要な予測能力が欠如し、安全性に重大な脅威をもたらす可能性がある。
そこで本研究では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。
特異な有害な特徴を生かし、3つのコアリスク認識コンポーネントを開発する。
まず,リスクを考慮したシーンエンコーダを導入し,リスクを意識したシーンコンテキストのエンコーダを実現する。
次に、デコーダの予測先としてエンドポイントリスク合成意図クエリを組み込んで、予測されたマルチモーダル軌道が様々な空間的意図とリスクレベルの両方をカバーすることを保証する。
最後に、究極のリスク認識予測のために補助リスク予測タスクを実行する。
さらに、モデルトレーニングと性能評価を支援するために、安全クリティカルな軌道予測データセットと調整された評価指標を導入する。
包括的評価を行い、そのモデルを複数のSOTAモデルと比較する。
その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
この予測により、自動運転車は安全クリティカルなシナリオ下で正確な衝突回避操作を実行でき、最終的には道路交通の安全性を高めることができる。
関連論文リスト
- Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。
本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。
自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
論文 参考訳（メタデータ） (2024-10-09T14:08:39Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - Accurately Predicting Probabilities of Safety-Critical Rare Events for Intelligent Systems [6.229278037668383]
本研究は,精度とリコール率を両立させる臨界予測モデルの構築を目的とする。
アプローチを検証するために,月面着陸機と二足歩行機という2つの事例で評価を行った。
論文 参考訳（メタデータ） (2024-03-20T14:00:29Z) - 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) - RAP: Risk-Aware Prediction for Robust Planning [21.83865866611308]
軌道上のリスクバイアス分布を学習するための新しい予測手法を提案する。
これにより、オンライン計画中のリスク推定のサンプルの複雑さが軽減される。
論文 参考訳（メタデータ） (2022-10-04T04:19:15Z) - 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) - On Adversarial Robustness of Trajectory Prediction for Autonomous
Vehicles [21.56253104577053]
軌道予測は、安全な計画とナビゲーションを行う自動運転車にとって重要な要素である。
本稿では,予測誤差を最大化するために,通常の車両軌道を乱す新たな対向攻撃を提案する。
ケーススタディでは、敵が敵の軌道に沿って目標のAVに近い車両を運転した場合、AVは不正確な予測を行い、安全でない運転決定を行う可能性がある。
論文 参考訳（メタデータ） (2022-01-13T16:33:04Z) - 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) - 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) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - 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)
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。