論文の概要: Real-World Deployment of a Lane Change Prediction Architecture Based on Knowledge Graph Embeddings and Bayesian Inference
- arxiv url: http://arxiv.org/abs/2506.11925v1
- Date: Fri, 13 Jun 2025 16:24:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.876011
- Title: Real-World Deployment of a Lane Change Prediction Architecture Based on Knowledge Graph Embeddings and Bayesian Inference
- Title（参考訳）: 知識グラフ埋め込みとベイズ推論に基づくレーン変更予測アーキテクチャの実世界展開
- Authors: M. Manzour, Catherine M. Elias, Omar M. Shehata, R. Izquierdo, M. A. Sotelo,
- Abstract要約: この研究は、実際のハードウェア上で、知識グラフ埋め込み(KGE)とベイズ推定に基づくレーン変更予測システムを示す。
エゴ車両は、自身と周囲の車両の両方の安全を確保するために、縦方向のブレーキ動作を採用している。
実世界のハードウェア実験による検証により,我々の予測システムは,目標車両の車線変化を3～4秒前に予測することを示した。
- 参考スコア（独自算出の注目度）: 1.3281936946796913
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Research on lane change prediction has gained a lot of momentum in the last couple of years. However, most research is confined to simulation or results obtained from datasets, leaving a gap between algorithmic advances and on-road deployment. This work closes that gap by demonstrating, on real hardware, a lane-change prediction system based on Knowledge Graph Embeddings (KGEs) and Bayesian inference. Moreover, the ego-vehicle employs a longitudinal braking action to ensure the safety of both itself and the surrounding vehicles. Our architecture consists of two modules: (i) a perception module that senses the environment, derives input numerical features, and converts them into linguistic categories; and communicates them to the prediction module; (ii) a pretrained prediction module that executes a KGE and Bayesian inference model to anticipate the target vehicle's maneuver and transforms the prediction into longitudinal braking action. Real-world hardware experimental validation demonstrates that our prediction system anticipates the target vehicle's lane change three to four seconds in advance, providing the ego vehicle sufficient time to react and allowing the target vehicle to make the lane change safely.
- Abstract（参考訳）: レーン変更予測の研究は、ここ数年で大きな勢いを増している。
しかし、ほとんどの研究はデータセットから得られたシミュレーションや結果に限られており、アルゴリズムの進歩とオンロードデプロイメントのギャップが残っている。
この研究は、実際のハードウェア上で、知識グラフ埋め込み(KGE)とベイズ推論に基づくレーン変更予測システムを示すことによって、そのギャップを埋める。
さらに、エゴ車両は、自身と周囲の車両の両方の安全を確保するために、縦制動動作を採用している。
私たちのアーキテクチャは2つのモジュールで構成されています。
一 環境を感知し、入力された数値的特徴を導出し、それらを言語カテゴリーに変換し、予測モジュールに伝達する知覚モジュール
2)KGEおよびベイズ推論モデルを実行し、目標車両の動作を予測し、予測を縦制動動作に変換する事前訓練予測モジュール。
実世界のハードウェア実験により,我々の予測システムは,車両の車線変更を3～4秒前に予測し,エゴ車両が反応するのに十分な時間を提供し,目標車両が安全に車線変更を行えることを実証した。
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) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。
異なる統合原則の意味、強み、限界について論じる。
論文 参考訳（メタデータ） (2023-08-10T17:53:03Z) - 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) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms [0.0]
異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
論文 参考訳（メタデータ） (2022-04-20T22:55:59Z) - Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。
学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。
提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2021-09-21T08:27:56Z) - Video action recognition for lane-change classification and prediction
of surrounding vehicles [12.127050913280925]
レーン変更認識と予測タスクは、ビデオアクション認識問題として提示される。
コンテキストと観測地平線がパフォーマンスに与える影響を調査し、異なる予測地平線を分析します。
その結果,これらの手法が将来の車両の車線変化を予測できる可能性を明らかにした。
論文 参考訳（メタデータ） (2021-01-13T13:25:00Z) - Two-Stream Networks for Lane-Change Prediction of Surrounding Vehicles [8.828423067460644]
高速道路のシナリオでは、人間のドライバーは視覚的手がかりのみを使用して車両を取り巻く早期の切り込みと切り抜きの操作を予想する。
周囲車両の車線変化認識と予測に対処するため,ビデオカメラからの視覚的手がかりを積み重ねることで,行動認識・予測問題としてこの問題を提起する。
2ストリーム畳み込みネットワークと乗算器ネットワークという2つのビデオアクション認識アプローチが分析されている。
論文 参考訳（メタデータ） (2020-08-25T07:59:15Z) - Perception as prediction using general value functions in autonomous
driving applications [5.071770433010771]
予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学習する。
エージェントの前部安全と後部安全をGVFで予測することを学ぶことにより,予測として認識を実証する。
これらの予測は、適応的なクルーズ制御問題において、LQRベースのコントローラに類似した制御動作を生成するために使用できることを示す。
論文 参考訳（メタデータ） (2020-01-24T17:33:06Z)
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。