論文の概要: ICPR 2024 Competition on Rider Intention Prediction
- arxiv url: http://arxiv.org/abs/2503.08437v1
- Date: Tue, 11 Mar 2025 13:50:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:44:53.105692
- Title: ICPR 2024 Competition on Rider Intention Prediction
- Title（参考訳）: ICPR 2024 ライダーインテンション予測に関するコンペティション
- Authors: Shankar Gangisetty, Abdul Wasi, Shyam Nandan Rai, C. V. Jawahar, Sajay Raj, Manish Prajapati, Ayesha Choudhary, Aaryadev Chandra, Dev Chandan, Shireen Chand, Suvaditya Mukherjee,
- Abstract要約: ライダー意図予測(RIP)コンペティションは、ライダーの安全に関する課題に、その前に積極的に操作を予測することによって対処することを目的としている。
我々は、ライダーアクション予測データセット(RAAD)という新しいデータセットを、シングルビューRIPとマルチビューRIPという2つのタスクからなる競技のために収集する。
コンテストでは、75の登録と5つのチームからの見積もりを受け取り、両方のRIPタスクで上位3つのパフォーマンスチームのメソッドを比較しました。
- 参考スコア（独自算出の注目度）: 19.858523089237675
- License:
- Abstract: The recent surge in the vehicle market has led to an alarming increase in road accidents. This underscores the critical importance of enhancing road safety measures, particularly for vulnerable road users like motorcyclists. Hence, we introduce the rider intention prediction (RIP) competition that aims to address challenges in rider safety by proactively predicting maneuvers before they occur, thereby strengthening rider safety. This capability enables the riders to react to the potential incorrect maneuvers flagged by advanced driver assistance systems (ADAS). We collect a new dataset, namely, rider action anticipation dataset (RAAD) for the competition consisting of two tasks: single-view RIP and multi-view RIP. The dataset incorporates a spectrum of traffic conditions and challenging navigational maneuvers on roads with varying lighting conditions. For the competition, we received seventy-five registrations and five team submissions for inference of which we compared the methods of the top three performing teams on both the RIP tasks: one state-space model (Mamba2) and two learning-based approaches (SVM and CNN-LSTM). The results indicate that the state-space model outperformed the other methods across the entire dataset, providing a balanced performance across maneuver classes. The SVM-based RIP method showed the second-best performance when using random sampling and SMOTE. However, the CNN-LSTM method underperformed, primarily due to class imbalance issues, particularly struggling with minority classes. This paper details the proposed RAAD dataset and provides a summary of the submissions for the RIP 2024 competition.
- Abstract（参考訳）: 最近の自動車市場の急激な増加は、道路事故の急激な増加につながった。
このことは、特にモーターサイクリストのような脆弱な道路利用者にとって、道路安全対策を強化することの重要性を浮き彫りにしている。
そこで本研究では,ライダーの安全に関する課題に対処するためのライダー意図予測(RIP)コンペティションを導入する。
この能力により、ライダーは高度な運転支援システム(ADAS)によってフラグ付けされた潜在的な誤った操作に反応することができる。
我々は、ライダーアクション予測データセット(RAAD)という新しいデータセットを、シングルビューRIPとマルチビューRIPという2つのタスクからなる競技のために収集する。
このデータセットには、様々な交通条件と、様々な照明条件の道路でのナビゲーション操作が組み込まれている。
コンペでは、75の登録と5つのチームからの見積もりを受け取り、RIPタスクの上位3チーム、すなわち1つの状態空間モデル(Mamba2)と2つの学習ベースアプローチ(SVMとCNN-LSTM)を比較しました。
その結果、状態空間モデルはデータセット全体にわたって他のメソッドよりも優れており、操作クラス間でバランスの取れたパフォーマンスを提供することがわかった。
SVMに基づくRIP法は,ランダムサンプリングとSMOTEを用いた場合の2番目に高い性能を示した。
しかし、CNN-LSTM法は、主にクラス不均衡の問題、特にマイノリティクラスに苦しむために、性能が低かった。
本稿では,提案したRAADデータセットを詳述し,RIP 2024コンペティションの提出内容の概要について述べる。
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) - Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。
我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
論文 参考訳（メタデータ） (2024-09-17T13:26:17Z) - ICPR 2024 Competition on Safe Segmentation of Drive Scenes in Unstructured Traffic and Adverse Weather Conditions [1.4874918394223613]
ICPR 2024コンペティションは、最先端セマンティックセグメンテーションモデルの評価とベンチマークを行うための厳格なプラットフォームとして機能した。
競争の重要な側面は、安全平均距離(Safe mean Intersection over Union)メートル法(Safe mIoU)の使用と改善であった。
競争の結果はドメインに新しいベンチマークを設定し、現実のシナリオにおける自動運転車のデプロイにおける安全性の重要性を強調した。
論文 参考訳（メタデータ） (2024-09-09T04:42:57Z) - Learning Pedestrian Actions to Ensure Safe Autonomous Driving [12.440017892152417]
自動運転車は、歩行者の短期的かつ即時的な行動をリアルタイムで予測する能力を持つことが重要である。
本研究では,歩行者行動と軌跡予測のために,トランスフォーマーエンコーダデコーダ (TF-ed) アーキテクチャを用いた新しいマルチタスクシーケンスを提案する。
提案手法は,既存のLSTMエンコーダデコーダ (LSTM-ed) アーキテクチャを用いて動作と軌道予測を行う。
論文 参考訳（メタデータ） (2023-05-22T14:03:38Z) - A Benchmark for Cycling Close Pass Near Miss Event Detection from Video
Streams [35.17510169229505]
我々はCyc-CPと呼ばれる新しいベンチマークを導入し、ビデオストリームからのミスイベント検出に近づいた近距離通過をサイクリングする。
これら2つの問題に対するディープラーニング技術に基づくベンチマークモデルを提案する。
我々のモデルは実世界のデータセットで88.13%と84.60%の精度を達成できる。
論文 参考訳（メタデータ） (2023-04-24T07:30:01Z) - Dynamic loss balancing and sequential enhancement for road-safety
assessment and traffic scene classification [0.0]
道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。
最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。
本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-11-08T11:10:07Z) - 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) - Learn-to-Race Challenge 2022: Benchmarking Safe Learning and
Cross-domain Generalisation in Autonomous Racing [12.50944966521162]
新たにリリースされたLearning-to-Race(L2R)シミュレーションフレームワークに基づいて,自動レースバーチャルチャレンジの結果を示す。
本稿では,改良されたメトリクスとベースラインアプローチを備えた新しいL2R Task 2.0ベンチマークについて述べる。
また、L2R Autonomous Racing Virtual Challengeの初回インスタンスの配置、評価、ランキングについても概説する。
論文 参考訳（メタデータ） (2022-05-05T22:31:19Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - 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)
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。