論文の概要: Interaction Dataset of Autonomous Vehicles with Traffic Lights and Signs
- arxiv url: http://arxiv.org/abs/2501.12536v1
- Date: Tue, 21 Jan 2025 22:59:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-23 13:28:50.303918
- Title: Interaction Dataset of Autonomous Vehicles with Traffic Lights and Signs
- Title（参考訳）: 自動運転車と信号機とのインタラクションデータセット
- Authors: Zheng Li, Zhipeng Bao, Haoming Meng, Haotian Shi, Qianwen Li, Handong Yao, Xiaopeng Li,
- Abstract要約: 本稿では,自動走行車(AV)と交通制御装置,特に信号機と停止標識の相互作用を総合的に把握するデータセットの開発について述べる。
我々の研究は、AVがこれらの交通制御装置をどのようにナビゲートするかの実際の軌跡データを提供することによって、既存の文献における重要なギャップに対処する。
本研究では,交通信号を用いた37,000以上のインスタンスと,停止標識を用いた44,000のインスタンスを組み込んで,関連する対話軌跡データをMotionデータセットから同定し抽出する手法を提案する。
- 参考スコア（独自算出の注目度）: 11.127555705122283
- License:
- Abstract: This paper presents the development of a comprehensive dataset capturing interactions between Autonomous Vehicles (AVs) and traffic control devices, specifically traffic lights and stop signs. Derived from the Waymo Motion dataset, our work addresses a critical gap in the existing literature by providing real-world trajectory data on how AVs navigate these traffic control devices. We propose a methodology for identifying and extracting relevant interaction trajectory data from the Waymo Motion dataset, incorporating over 37,000 instances with traffic lights and 44,000 with stop signs. Our methodology includes defining rules to identify various interaction types, extracting trajectory data, and applying a wavelet-based denoising method to smooth the acceleration and speed profiles and eliminate anomalous values, thereby enhancing the trajectory quality. Quality assessment metrics indicate that trajectories obtained in this study have anomaly proportions in acceleration and jerk profiles reduced to near-zero levels across all interaction categories. By making this dataset publicly available, we aim to address the current gap in datasets containing AV interaction behaviors with traffic lights and signs. Based on the organized and published dataset, we can gain a more in-depth understanding of AVs' behavior when interacting with traffic lights and signs. This will facilitate research on AV integration into existing transportation infrastructures and networks, supporting the development of more accurate behavioral models and simulation tools.
- Abstract（参考訳）: 本稿では,自動走行車(AV)と交通制御装置,特に信号機と停止標識の相互作用を総合的に把握するデータセットの開発について述べる。
Waymo Motionデータセットから派生した私たちの研究は、AVがこれらの交通制御デバイスをどのようにナビゲートするかの実際の軌跡データを提供することによって、既存の文献における重要なギャップに対処する。
Waymo Motionデータセットから関連するインタラクショントラジェクトリデータを識別し,抽出する手法を提案し,交通信号付き37,000以上のインスタンスと停止標識付き44,000のインスタンスを組み込んだ。
提案手法は,様々なインタラクションタイプを識別するルールを定義し,トラジェクトリデータを抽出し,ウェーブレットに基づくデノナイジング法を適用して,加速度と速度プロファイルを円滑にし,異常な値を排除することにより,トラジェクトリの品質を向上させる。
本研究で得られた軌道は, 加速度の異常比と, ジャークプロファイルがすべての相互作用カテゴリでほぼゼロレベルに低下していることを示す。
このデータセットを一般公開することで、交通信号や標識によるAVインタラクション行動を含むデータセットの現在のギャップに対処することを目指している。
組織化され公開されたデータセットに基づいて、信号機や標識と対話する際のAVの振る舞いをより深く理解することができる。
これにより、既存の交通インフラやネットワークへのAV統合の研究が促進され、より正確な行動モデルやシミュレーションツールの開発が支援される。
関連論文リスト
- IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。
IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。
本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
論文 参考訳（メタデータ） (2024-08-02T05:23:19Z) - Traffic Reconstruction and Analysis of Natural Driving Behaviors at
Unsignalized Intersections [1.7273380623090846]
この研究は、TNのメンフィスにある様々な無署名の交差点で、その日の異なる時間に交通を記録していた。
ビデオデータを手動でラベル付けして特定の変数をキャプチャした後,SUMOシミュレーション環境におけるトラフィックシナリオを再構築した。
これらのシミュレーションから得られた出力データは、車両移動の時間空間図、走行時間頻度分布、ボトルネック点を特定するための速度配置プロットなど、包括的な分析を提供する。
論文 参考訳（メタデータ） (2023-12-22T09:38:06Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory
Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。
このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。
我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
論文 参考訳（メタデータ） (2023-09-05T06:28:13Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳（メタデータ） (2022-07-21T10:19:07Z) - Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文 参考訳（メタデータ） (2022-06-26T13:14:52Z) - Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep
Generative Approach with Attention [9.442285577226606]
交差点における相互作用検出のための条件生成モデルを提案する。
道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。
モデルの有効性は実世界のデータセットでテストすることによって検証された。
論文 参考訳（メタデータ） (2021-05-09T10:03:55Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z)
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。