論文の概要: Hybrid Machine Learning Model with a Constrained Action Space for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2501.03666v1
• Date: Tue, 07 Jan 2025 10:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:46:15.217969
• Title: Hybrid Machine Learning Model with a Constrained Action Space for Trajectory Prediction
• Title（参考訳）: 軌道予測のための制約された行動空間を持つハイブリッド機械学習モデル
• Authors: Alexander Fertig, Lakshman Balasubramanian, Michael Botsch,
• Abstract要約: この研究は、ディープラーニングと運動モデルを組み合わせた新しいハイブリッドモデルを導入する。 加速度やヨーレートなどのオブジェクト属性を予測し、それに基づいて軌道を生成することができる。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License:
• Abstract: Trajectory prediction is crucial to advance autonomous driving, improving safety, and efficiency. Although end-to-end models based on deep learning have great potential, they often do not consider vehicle dynamic limitations, leading to unrealistic predictions. To address this problem, this work introduces a novel hybrid model that combines deep learning with a kinematic motion model. It is able to predict object attributes such as acceleration and yaw rate and generate trajectories based on them. A key contribution is the incorporation of expert knowledge into the learning objective of the deep learning model. This results in the constraint of the available action space, thus enabling the prediction of physically feasible object attributes and trajectories, thereby increasing safety and robustness. The proposed hybrid model facilitates enhanced interpretability, thereby reinforcing the trustworthiness of deep learning methods and promoting the development of safe planning solutions. Experiments conducted on the publicly available real-world Argoverse dataset demonstrate realistic driving behaviour, with benchmark comparisons and ablation studies showing promising results.
• Abstract（参考訳）: 軌道予測は、自動運転を推進し、安全性と効率を向上させるために不可欠である。 ディープラーニングに基づくエンドツーエンドモデルは大きな可能性を秘めているが、車両のダイナミックな制限を考慮せず、非現実的な予測に繋がることが多い。 そこで本研究では,ディープラーニングと運動モデルを組み合わせたハイブリッドモデルを提案する。 加速度やヨーレートなどのオブジェクト属性を予測し、それに基づいて軌道を生成することができる。 重要な貢献は、深層学習モデルの学習目的に専門家の知識を取り入れることである。 これにより、利用可能なアクション空間の制約が生じ、物理的に実現可能なオブジェクト属性や軌道の予測が可能になり、安全性と堅牢性が向上する。 提案したハイブリッドモデルにより,解釈可能性の向上が促進され,深層学習手法の信頼性が向上し,安全な計画手法の開発が促進される。 公開されている実世界のArgoverseデータセットで実施された実験は、現実的な運転行動を示し、ベンチマーク比較とアブレーション研究は有望な結果を示している。

関連論文リスト

• Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
  本稿では,自律走行のための新しい軌道予測モデルを提案する。 本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。 提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-11-25T15:03:44Z)
• 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)
• Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set Prediction [12.336412741837407]
  本研究は,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組み合わせた,DOS予測のための新しい手法を提案する。 本研究の革新的な貢献は、複雑なシナリオをナビゲートするための新しいDOS予測モデルの開発である。
  論文  参考訳（メタデータ） (2024-02-29T17:36:39Z)
• 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)
• Interpretable Goal-Based model for Vehicle Trajectory Prediction in Interactive Scenarios [4.1665957033942105]
  自動車とその周囲の社会的相互作用は、自動運転における道路安全にとって重要である。 対話型環境における車両軌道予測のためのニューラルネットワークモデルを提案する。 我々は、InterActionデータセットを用いてモデルを実装し、評価し、提案したアーキテクチャの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-08T15:00:12Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• 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。