論文の概要: Multi-Scenario Highway Lane-Change Intention Prediction: A Physics-Informed AI Framework for Three-Class Classification

• arxiv url: http://arxiv.org/abs/2509.17354v1
• Date: Mon, 22 Sep 2025 05:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.231323
• Title: Multi-Scenario Highway Lane-Change Intention Prediction: A Physics-Informed AI Framework for Three-Class Classification
• Title（参考訳）: マルチシナリオハイウェイレーンチェンジ意図予測:3クラス分類のための物理インフォームドAIフレームワーク
• Authors: Jiazhao Shi, Yichen Lin, Yiheng Hua, Ziyu Wang, Zijian Zhang, Wenjia Zheng, Yun Song, Kuan Lu, Shoufeng Lu,
• Abstract要約: 車線変更操作は高速道路事故の主要な原因である。 本稿では,車体キネマティクス,インタラクション実現可能性,およびトラフィック安全メトリクスを学習プロセスに統合する物理インフォームドAIフレームワークを提案する。 99.8%の精度、93.6%のマクロF1、96.1%の精度、88.7%のマクロF1を1秒の地平線で表す。
• 参考スコア（独自算出の注目度）: 12.163383643700785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane-change maneuvers are a leading cause of highway accidents, underscoring the need for accurate intention prediction to improve the safety and decision-making of autonomous driving systems. While prior studies using machine learning and deep learning methods (e.g., SVM, CNN, LSTM, Transformers) have shown promise, most approaches remain limited by binary classification, lack of scenario diversity, and degraded performance under longer prediction horizons. In this study, we propose a physics-informed AI framework that explicitly integrates vehicle kinematics, interaction feasibility, and traffic-safety metrics (e.g., distance headway, time headway, time-to-collision, closing gap time) into the learning process. lane-change prediction is formulated as a three-class problem that distinguishes left change, right change, and no change, and is evaluated across both straight highway segments (highD) and complex ramp scenarios (exiD). By integrating vehicle kinematics with interaction features, our machine learning models, particularly LightGBM, achieve state-of-the-art accuracy and strong generalization. Results show up to 99.8% accuracy and 93.6% macro F1 on highD, and 96.1% accuracy and 88.7% macro F1 on exiD at a 1-second horizon, outperforming a two-layer stacked LSTM baseline. These findings demonstrate the practical advantages of a physics-informed and feature-rich machine learning framework for real-time lane-change intention prediction in autonomous driving systems.
• Abstract（参考訳）: 車線変更操作は高速道路事故の主要な原因であり、自動運転システムの安全性と意思決定を改善するための正確な意図予測の必要性を強調している。 機械学習とディープラーニング手法(SVM、CNN、LSTM、Transformersなど)を用いた以前の研究は、将来性を示しているが、ほとんどのアプローチはバイナリ分類、シナリオの多様性の欠如、より長い予測地平線下での性能低下によって制限されている。 本研究では,車体キネマティクス,インタラクション実現可能性,交通安全指標(例えば,距離方向,時間方向,時間対衝突,ギャップ時間)を学習プロセスに明示的に統合する物理インフォームドAIフレームワークを提案する。 レーン変更予測は、左変化、右変化、変更なしを区別する3クラス問題として定式化され、高速道路セグメント(HighD)と複雑なランプシナリオ(exiD)の両方で評価される。 車両キネマティクスとインタラクション機能を組み合わせることで、私たちの機械学習モデル、特にLightGBMは最先端の精度と強力な一般化を実現します。 その結果、99.8%の精度と93.6%のマクロF1、96.1%の精度、88.7%のマクロF1が1秒の地平線でExiDで達成され、2層重ねLSTMベースラインを上回った。 これらの結果は、自律運転システムにおけるリアルタイム車線変更意図予測のための物理インフォームドおよび機能豊富な機械学習フレームワークの実用的利点を示している。

関連論文リスト

• MIAT: Maneuver-Intention-Aware Transformer for Spatio-Temporal Trajectory Prediction [4.093236466389434]
  ManeuverIntention-Aware Transformer (MIAT)は、意図認識制御機構と様々な相互作用モデリングを統合する。 実世界のNGSIMデータセットに対する我々のアプローチを評価し,様々なトランスフォーマーおよびLSTMに基づく手法を用いてベンチマークを行った。 MIATはロングホライゾン予測において11.1%のパフォーマンス向上を実現しており、短期ホライゾン性能はわずかに低下している。
  論文  参考訳（メタデータ） (2025-04-07T13:30:00Z)
• HAD-Gen: Human-like and Diverse Driving Behavior Modeling for Controllable Scenario Generation [13.299893784290733]
  HAD-Genは、多様な人間のような運転行動をシミュレートする現実的な交通シナリオ生成のためのフレームワークである。 提案手法は, 目標達成率90.96%, オフロードレート2.08%, 衝突速度6.91%を達成する。
  論文  参考訳（メタデータ） (2025-03-19T09:38:45Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• 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)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Automatic driving lane change safety prediction model based on LSTM [3.8749946206111603]
  LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点がある。 その結果、従来のモデルベース手法と比較して、LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点があることが示された。
  論文  参考訳（メタデータ） (2024-02-28T12:34:04Z)
• 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)
• 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)
• 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)
• Physically Feasible Vehicle Trajectory Prediction [3.3748750222488657]
  物理リアリズム保証,システム保守性,サンプル効率という3つの重要な特性について述べる。 従来のピュアサーチパス追跡アルゴリズムと現代のグラフベースのニューラルネットワークのハイブリッドである車両軌道予測のための新しいアプローチであるPTNetを紹介します。
  論文  参考訳（メタデータ） (2021-04-29T22:13:41Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。