論文の概要: Traffic-Aware Pedestrian Intention Prediction

• arxiv url: http://arxiv.org/abs/2507.12433v1
• Date: Wed, 16 Jul 2025 17:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.494254
• Title: Traffic-Aware Pedestrian Intention Prediction
• Title（参考訳）: 交通に配慮した歩行者の意図予測
• Authors: Fahimeh Orvati Nia, Hai Lin,
• Abstract要約: 本稿では,交通標識とその状態と歩行者の意図を予測する交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。 提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5240171181791276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate pedestrian intention estimation is crucial for the safe navigation of autonomous vehicles (AVs) and hence attracts a lot of research attention. However, current models often fail to adequately consider dynamic traffic signals and contextual scene information, which are critical for real-world applications. This paper presents a Traffic-Aware Spatio-Temporal Graph Convolutional Network (TA-STGCN) that integrates traffic signs and their states (Red, Yellow, Green) into pedestrian intention prediction. Our approach introduces the integration of dynamic traffic signal states and bounding box size as key features, allowing the model to capture both spatial and temporal dependencies in complex urban environments. The model surpasses existing methods in accuracy. Specifically, TA-STGCN achieves a 4.75% higher accuracy compared to the baseline model on the PIE dataset, demonstrating its effectiveness in improving pedestrian intention prediction.
• Abstract（参考訳）: 正確な歩行者意図の推定は、自動運転車(AV)の安全なナビゲーションに不可欠であり、多くの研究の注目を集めている。 しかし、現在のモデルは、現実のアプリケーションにとって重要な動的なトラフィック信号やコンテキストのシーン情報を適切に考慮できないことが多い。 本稿では,交通標識とその状態(赤,黄,緑)を歩行者意図の予測に統合した交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。 提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。 モデルは既存の手法を精度で上回る。 具体的には、TA-STGCNはPIEデータセットのベースラインモデルと比較して4.75%高い精度を実現し、歩行者の意図予測を改善する効果を示す。

関連論文リスト

• Pedestrian Intention and Trajectory Prediction in Unstructured Traffic Using IDD-PeD [26.011293248078797]
  本研究では,非構造環境における歩行者行動のモデル化の複雑さに対処するために,インドにおける歩行者行動データセットを提案する。 このデータセットは、エゴ車両の注意を必要とする歩行者に焦点を当てた、高レベルで詳細な低レベルな包括的なアノテーションを提供する。
  論文  参考訳（メタデータ） (2025-06-27T10:41:18Z)
• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes [0.7614628596146602]
  本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。 OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。 この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
  論文  参考訳（メタデータ） (2023-12-27T14:44:58Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics [9.267045415696263]
  RTGNN(Recurrent Traffic Graph Neural Network)を提案する。 RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。 我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
  論文  参考訳（メタデータ） (2022-02-21T03:55:00Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• 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。