論文の概要: Explainable Lane Change Prediction for Near-Crash Scenarios Using Knowledge Graph Embeddings and Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2501.11560v1
• Date: Mon, 20 Jan 2025 16:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:45.885624
• Title: Explainable Lane Change Prediction for Near-Crash Scenarios Using Knowledge Graph Embeddings and Retrieval Augmented Generation
• Title（参考訳）: 知識グラフ埋め込みと検索拡張生成を用いたニアクラッシュシナリオの説明可能なレーン変更予測
• Authors: M. Manzour, A. Ballardini, R. Izquierdo, M. Á. Sotelo,
• Abstract要約: 車線変更操作、特に突然または危険な状況で実行されるものは、道路交通事故の重大な原因である。 本研究は,CRASHデータセットを用いて,リスクの高い車線変化を予測することに焦点を当てる。 我々は、KGとベイジアン推論を利用して、言語文脈情報を用いてこれらの操作を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Lane-changing maneuvers, particularly those executed abruptly or in risky situations, are a significant cause of road traffic accidents. However, current research mainly focuses on predicting safe lane changes. Furthermore, existing accident datasets are often based on images only and lack comprehensive sensory data. In this work, we focus on predicting risky lane changes using the CRASH dataset (our own collected dataset specifically for risky lane changes), and safe lane changes (using the HighD dataset). Then, we leverage KG and Bayesian inference to predict these maneuvers using linguistic contextual information, enhancing the model's interpretability and transparency. The model achieved a 91.5% f1-score with anticipation time extending to four seconds for risky lane changes, and a 90.0% f1-score for predicting safe lane changes with the same anticipation time. We validate our model by integrating it into a vehicle within the CARLA simulator in scenarios that involve risky lane changes. The model managed to anticipate sudden lane changes, thus providing automated vehicles with further time to plan and execute appropriate safe reactions. Finally, to enhance the explainability of our model, we utilize RAG to provide clear and natural language explanations for the given prediction.
• Abstract（参考訳）: 車線変更操作、特に突然または危険な状況で実行されるものは、道路交通事故の重大な原因である。 しかし、現在の研究は主に安全な車線変更を予測することに焦点を当てている。 さらに、既存の事故データセットは画像のみに基づいており、包括的な感覚データがないことが多い。 本研究では,CRASHデータセット(危険車線変更に特化して収集したデータセット)と安全な車線変更(HighDデータセットを使用する)を用いて,危険車線変化を予測することに焦点を当てる。 そして、KGとベイジアン推論を利用して、言語文脈情報を用いてこれらの操作を予測し、モデルの解釈可能性と透明性を高める。 このモデルは91.5%のf1スコアを達成し、リスクの高い車線変更のために予測時間が4秒まで延長され、同じ予測時間で安全な車線変更を予測するための90.0%のf1スコアを達成した。 我々は、リスクの高い車線変更を伴うシナリオにおいて、CARLAシミュレータ内の車体に組み込むことで、モデルを検証する。 このモデルは突然の車線変更を予想し、自動車両に適切な安全な反応を計画し実行するためのさらなる時間を与えることができた。 最後に、モデルの説明可能性を高めるために、RAGを用いて、与えられた予測に対して明確で自然言語的な説明を提供する。

関連論文リスト

• Vehicle Lane Change Prediction based on Knowledge Graph Embeddings and Bayesian Inference [0.0]
  本稿では,知識グラフ(KG)を利用した言語文脈情報に基づくレーン変化の予測手法を提案する。 我々のソリューションは、対象車両のリスクを評価するために、周辺車両とのTime To Collision (TTC) を入力とする。 このモデルは、97.95% f1スコアで2秒前に車線変更を予測することができ、これは芸術の状態を上回り、93.60% f1スコアで車線変更の3秒前である。
  論文  参考訳（メタデータ） (2023-12-11T12:33:44Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• 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)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks [0.5399800035598186]
  本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。 大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
  論文  参考訳（メタデータ） (2021-02-02T11:04:22Z)
• The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes? [0.0]
  本稿では,高速道路のシナリオにおける車線変化を予測する能力について分析する。 ユーザーは車線変更操作が行われていると考えた瞬間を示す必要がありました。 得られた結果は慎重に分析され、地上の真理ラベルと比較された。
  論文  参考訳（メタデータ） (2020-09-11T10:47:07Z)
• Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning [30.59728753059457]
  交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。 現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。 本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T20:21:48Z)

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。