論文の概要: Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles
- arxiv url: http://arxiv.org/abs/2501.00890v1
- Date: Wed, 01 Jan 2025 16:37:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:12:06.768388
- Title: Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles
- Title(参考訳): 空間的時間的注意に基づく車両のインターネットの目標軌道予測
- Authors: Ouhan Huang, Huanle Rao, Xiaowen Cai, Tianyun Wang, Aolong Sun, Sizhe Xing, Yifan Sun, Gangyong Jia,
- Abstract要約: 本研究は、車両軌道予測ターゲット(VTPred)の時空間注意に基づく手法を提案する。
車両軌道を向き付けられたグラフにマッピングし、その後、グラフ注意ネットワーク(GAT)を介して空間特性を抽出する。
トランスフォーマー技術は、シーケンスから時間的特徴を得るために使われ、正確な軌道予測をもたらす。
- 参考スコア(独自算出の注目度): 4.1268583353286
- License:
- Abstract: Forecasting vehicle behavior within complex traffic environments is pivotal within Intelligent Transportation Systems (ITS). Though this technology plays a significant role in alleviating the prevalent operational difficulties in logistics and transportation systems, the precise prediction of vehicle trajectories still poses a substantial challenge. To address this, our study introduces the Spatio Temporal Attention-based methodology for Target Vehicle Trajectory Prediction (STATVTPred). This approach integrates Global Positioning System(GPS) localization technology to track target movement and dynamically predict the vehicle's future path using comprehensive spatio-temporal trajectory data. We map the vehicle trajectory onto a directed graph, after which spatial attributes are extracted via a Graph Attention Networks(GATs). The Transformer technology is employed to yield temporal features from the sequence. These elements are then amalgamated with local road network structure maps to filter and deliver a smooth trajectory sequence, resulting in precise vehicle trajectory prediction.This study validates our proposed STATVTPred method on T-Drive and Chengdu taxi-trajectory datasets. The experimental results demonstrate that STATVTPred achieves 6.38% and 10.55% higher Average Match Rate (AMR) than the Transformer model on the Beijing and Chengdu datasets, respectively. Compared to the LSTM Encoder-Decoder model, STATVTPred boosts AMR by 37.45% and 36.06% on the same datasets. This is expected to establish STATVTPred as a new approach for handling trajectory prediction of targets in logistics and transportation scenarios, thereby enhancing prediction accuracy.
- Abstract(参考訳): 複雑な交通環境における車両の挙動の予測は、インテリジェントトランスポーテーションシステム(ITS)において重要である。
この技術は、ロジスティクスや輸送システムにおける一般的な運用上の困難を緩和する上で重要な役割を担っているが、車両軌道の正確な予測は依然として重大な課題となっている。
そこで本研究では,STATVTPred(Target Vehicle Trajectory Prediction)のための時空間注意法を提案する。
このアプローチは、GPS(Global Positioning System)ローカライゼーション技術を統合して、目標運動を追跡し、包括的な時空間軌跡データを用いて車両の将来経路を動的に予測する。
車両軌道を有向グラフにマッピングし、その後、グラフ注意ネットワーク(GAT)を介して空間特性を抽出する。
Transformer技術は、シーケンスから時間的特徴を得るために使用される。
これらの要素をローカル道路網構造図と照合してスムーズな軌道列を抽出し,正確な車両軌道予測を行い,提案したT-DriveおよびChengduタクシー軌道データセット上でのSTATVTPred法の有効性を検証した。
実験の結果、STATVTPredは北京と成都のデータセットのTransformerモデルよりも平均整合率(AMR)が6.38%、平均整合率(AMR)が10.55%高いことがわかった。
LSTMエンコーダ-デコーダモデルと比較して、STATVTPredはAMRを37.45%、36.06%向上させる。
これにより,STATVTPredはロジスティクスおよび輸送シナリオにおける目標の軌道予測に対する新たなアプローチとして確立され,予測精度が向上することが期待される。
関連論文リスト
- A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳(メタデータ) (2024-11-29T14:47:08Z) - MapsTP: HD Map Images Based Multimodal Trajectory Prediction for Automated Vehicles [8.229161517598373]
我々はResNet-50を利用して高精細マップデータから画像の特徴を抽出し、IMUセンサデータを用いて速度、加速度、ヨーレートを計算する。
時間確率ネットワークを用いて潜在的な軌道を計算し、最も正確で高い確率の軌道経路を選択する。
論文 参考訳(メタデータ) (2024-07-08T10:45:30Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in
Autonomous Vehicle Safety [3.3659635625913564]
我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。
このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。
畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
論文 参考訳(メタデータ) (2023-07-11T14:28:33Z) - An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。
この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。
本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-04-19T15:42:03Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳(メタデータ) (2022-05-06T13:45:32Z) - Graph-Based Spatial-Temporal Convolutional Network for Vehicle
Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。
時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。
次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文 参考訳(メタデータ) (2021-09-27T02:20:38Z) - Traffic Agent Trajectory Prediction Using Social Convolution and
Attention Mechanism [57.68557165836806]
本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。
対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。
提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
論文 参考訳(メタデータ) (2020-07-06T03:48:08Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳(メタデータ) (2020-05-29T17:57:25Z) - 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) - GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory
Prediction [6.12727713172576]
Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。
本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:24:31Z)
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。