論文の概要: Lane Change Intention Prediction of two distinct Populations using a Transformer

• arxiv url: http://arxiv.org/abs/2509.06529v1
• Date: Mon, 08 Sep 2025 10:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.066181
• Title: Lane Change Intention Prediction of two distinct Populations using a Transformer
• Title（参考訳）: 変圧器を用いた2つの異なる個体群の車線変化意図予測
• Authors: Francesco De Cristofaro, Cornelia Lex, Jia Hu, Arno Eichberger,
• Abstract要約: 我々は、ドイツと香港でLevelXが収集した2つのデータセットに対して、レーン変更意図予測のために設計された変圧器をテストする。 その結果、トランスの精度は、39.43%という低い精度でトレーニングされたものとは異なる集団でテストした場合に急上昇した。
• 参考スコア（独自算出の注目度）: 3.848024167343411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a result of the growing importance of lane change intention prediction for a safe and efficient driving experience in complex driving scenarios, researchers have in recent years started to train novel machine learning algorithms on available datasets with promising results. A shortcoming of this recent research effort, though, is that the vast majority of the proposed algorithms are trained on a single datasets. In doing so, researchers failed to test if their algorithm would be as effective if tested on a different dataset and, by extension, on a different population with respect to the one on which they were trained. In this article we test a transformer designed for lane change intention prediction on two datasets collected by LevelX in Germany and Hong Kong. We found that the transformer's accuracy plummeted when tested on a population different to the one it was trained on with accuracy values as low as 39.43%, but that when trained on both populations simultaneously it could achieve an accuracy as high as 86.71%. - This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible.
• Abstract（参考訳）: 複雑な運転シナリオにおける安全かつ効率的な運転経験のための車線変更意図予測の重要性が高まる中、研究者たちは近年、期待できる結果を得たデータセット上で、新しい機械学習アルゴリズムをトレーニングし始めている。 しかし、最近の研究の欠点は、提案されたアルゴリズムの大部分が単一のデータセットでトレーニングされていることだ。 そうすることで、研究者は、異なるデータセットでテストし、訓練されたデータセットに関して異なる集団でテストした場合、アルゴリズムがより効果的かどうかをテストできなかった。 本稿では、ドイツと香港のLevelXが収集した2つのデータセットに対して、レーン変更意図予測のために設計された変圧器をテストする。 我々は、トランスフォーマーの精度が、39.43%という低い精度でトレーニングされたものと異なる個体群でテストされた場合、急上昇したが、同時に両方の個体群でトレーニングされた場合、86.71%の精度を達成することができた。 -この研究成果は、IEEEに提出される可能性がある。 著作権は無通知で転送され、その後、このバージョンはアクセスできなくなる。

関連論文リスト

• Prediction of Lane Change Intentions of Human Drivers using an LSTM, a CNN and a Transformer [0.33748750222488655]
  先行車両の車線変更は、自動車両の運動計画に大きな影響を及ぼす。 本稿では、LSTM、CNN、Transformerネットワークの構造を記述し、車線変更を行うための人間の運転者の意図を予測するために実装する。 この手法の精度は、異なる入力構成で82.79%から9.6.73%まで変化し、精度とリコールも考慮した全体的な性能を示した。
  論文  参考訳（メタデータ） (2025-07-11T07:26:33Z)
• Loss-to-Loss Prediction: Scaling Laws for All Datasets [17.078832037614397]
  我々は、ある損失を別の損失から予測し、異なる事前学習データセットにわたって予測するためにそれを適用する戦略を導出する。 我々の予測は、曲線に合わせるのに使われた最大のFLOP予算の20倍でさえ、よく表される。
  論文  参考訳（メタデータ） (2024-11-19T23:23:16Z)
• Incorporating Long-term Data in Training Short-term Traffic Prediction Model [6.392992843318724]
  タクシーと自転車の使用率を含む2つのデータセットは、ニューヨークで8年以上にわたって使われてきた。 最新の12,24,48,96ヶ月でトレーニングされたモデルの精度を評価する実験を行った。 その結果,96ヶ月のトレーニングセットは,過去の交通パターンと現在との相違により,精度が低下することが判明した。
  論文  参考訳（メタデータ） (2024-10-16T01:22:01Z)
• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• T4P: Test-Time Training of Trajectory Prediction via Masked Autoencoder and Actor-specific Token Memory [39.021321011792786]
  軌道予測は、複数のアクター間の相互作用を考慮することを必要とする難しい問題である。 データ駆動型アプローチは、この複雑な問題に対処するために使われてきたが、テスト期間中に分散シフトの下では信頼性の低い予測に悩まされている。 本研究では,観測データから回帰損失を用いたオンライン学習手法を提案する。 提案手法は,予測精度と計算効率の両方の観点から,既存の最先端オンライン学習手法の性能を超越した手法である。
  論文  参考訳（メタデータ） (2024-03-15T06:47:14Z)
• Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
  量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。 定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。 本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-06T20:11:27Z)
• 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)
• Unified Transfer Learning Models in High-Dimensional Linear Regression [0.0]
  本稿では,トランスファー可能な変数とソースデータの両方を検出可能な,UTransと呼ばれる解釈可能な統合トランスファー学習モデルを開発する。 解釈可能性を維持しながら、既存のアルゴリズムよりもずっと低い推定と予測エラーを実現する。
  論文  参考訳（メタデータ） (2023-07-01T05:59:45Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)

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。