論文の概要: Probability Estimation for Predicted-Occupancy Grids in Vehicle Safety Applications Based on Machine Learning

• arxiv url: http://arxiv.org/abs/2512.12896v1
• Date: Mon, 15 Dec 2025 00:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.487682
• Title: Probability Estimation for Predicted-Occupancy Grids in Vehicle Safety Applications Based on Machine Learning
• Title（参考訳）: 機械学習に基づく車両安全アプリケーションにおける予測機能グリッドの確率推定
• Authors: Parthasarathy Nadarajan, Michael Botsch,
• Abstract要約: 本稿では,複雑な交通シナリオの進化を複数のオブジェクトで予測する手法を提案する。 POGの計算には機械学習アプローチが採用されている。 結果は有望であり、車両安全のためのPOGのリアルタイム計算を可能にする可能性がある。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a method to predict the evolution of a complex traffic scenario with multiple objects. The current state of the scenario is assumed to be known from sensors and the prediction is taking into account various hypotheses about the behavior of traffic participants. This way, the uncertainties regarding the behavior of traffic participants can be modelled in detail. In the first part of this paper a model-based approach is presented to compute Predicted-Occupancy Grids (POG), which are introduced as a grid-based probabilistic representation of the future scenario hypotheses. However, due to the large number of possible trajectories for each traffic participant, the model-based approach comes with a very high computational load. Thus, a machine-learning approach is adopted for the computation of POGs. This work uses a novel grid-based representation of the current state of the traffic scenario and performs the mapping to POGs. This representation consists of augmented cells in an occupancy grid. The adopted machine-learning approach is based on the Random Forest algorithm. Simulations of traffic scenarios are performed to compare the machine-learning with the model-based approach. The results are promising and could enable the real-time computation of POGs for vehicle safety applications. With this detailed modelling of uncertainties, crucial components in vehicle safety systems like criticality estimation and trajectory planning can be improved.
• Abstract（参考訳）: 本稿では,複雑な交通シナリオの進化を複数のオブジェクトで予測する手法を提案する。 シナリオの現在の状態はセンサから知られており、その予測は交通参加者の行動に関する様々な仮説を考慮に入れている。 このようにして、交通参加者の行動に関する不確実性を詳細にモデル化することができる。 本論文の前半では,将来のシナリオ仮説のグリッドベースの確率的表現として導入される予測・実行性グリッド(POG)を計算するためのモデルベースアプローチを提案する。 しかしながら、各トラフィック参加者に対して可能な軌道が多数存在するため、モデルベースのアプローチは非常に高い計算負荷が伴う。 したがって、POGの計算には機械学習アプローチが採用されている。 この作業は、トラフィックシナリオの現在の状態をグリッドベースで表現し、POGへのマッピングを実行する。 この表現は、占有グリッド内の増感細胞から構成される。 機械学習のアプローチはランダムフォレストアルゴリズムに基づいている。 交通シナリオのシミュレーションを行い、機械学習とモデルベースアプローチを比較した。 結果は有望であり、車両安全のためのPOGのリアルタイム計算を可能にする可能性がある。 この不確実性の詳細なモデリングにより、臨界度推定や軌道計画といった車両安全システムにおける重要なコンポーネントを改善することができる。

関連論文リスト

• Machine Learning Architectures for the Estimation of Predicted Occupancy Grids in Road Traffic [0.9558392439655014]
  将来の交通シナリオの詳細な表現は、自動運転において非常に重要である。 機械学習アルゴリズムへの入力は、交通シナリオの現在の状態表現である。 出力は確率的時空表現であり、交通参加者の行動に関する不確実性を含む。
  論文  参考訳（メタデータ） (2025-12-15T01:24:02Z)
• Predicted-occupancy grids for vehicle safety applications based on autoencoders and the Random Forest algorithm [0.9558392439655014]
  複雑な交通シナリオの確率的時空間表現を機械学習アルゴリズムを用いて予測する。 この表現は、特に複雑な交通シナリオで動的操作を行う場合、すべてのアクティブな車両安全アプリケーションにとって重要である。 提案手法の優れた性能はシミュレーションや実車を用いた実験で実証された。
  論文  参考訳（メタデータ） (2025-12-15T00:59:44Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
  自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。 本稿では,多エージェント軌道予測のための拡散モデルを提案する。 このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
  論文  参考訳（メタデータ） (2024-03-18T10:35:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
  交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。 本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。 我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
  論文  参考訳（メタデータ） (2020-07-06T12:31:27Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• Learning Probabilistic Intersection Traffic Models for Trajectory Prediction [8.536503379429032]
  この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。 この方法は時系列位置軌跡のセットで示される。 モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
  論文  参考訳（メタデータ） (2020-02-05T19:22:26Z)

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。