論文の概要: Predicted-occupancy grids for vehicle safety applications based on autoencoders and the Random Forest algorithm
- arxiv url: http://arxiv.org/abs/2512.12901v1
- Date: Mon, 15 Dec 2025 00:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.49023
- Title: Predicted-occupancy grids for vehicle safety applications based on autoencoders and the Random Forest algorithm
- Title（参考訳）: オートエンコーダとランダムフォレストアルゴリズムに基づく車両安全応用のための予測占有グリッド
- Authors: Parthasarathy Nadarajan, Michael Botsch, Sebastian Sardina,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9558392439655014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a probabilistic space-time representation of complex traffic scenarios is predicted using machine learning algorithms. Such a representation is significant for all active vehicle safety applications especially when performing dynamic maneuvers in a complex traffic scenario. As a first step, a hierarchical situation classifier is used to distinguish the different types of traffic scenarios. This classifier is responsible for identifying the type of the road infrastructure and the safety-relevant traffic participants of the driving environment. With each class representing similar traffic scenarios, a set of Random Forests (RFs) is individually trained to predict the probabilistic space-time representation, which depicts the future behavior of traffic participants. This representation is termed as a Predicted-Occupancy Grid (POG). The input to the RFs is an Augmented Occupancy Grid (AOG). In order to increase the learning accuracy of the RFs and to perform better predictions, the AOG is reduced to low-dimensional features using a Stacked Denoising Autoencoder (SDA). The excellent performance of the proposed machine learning approach consisting of SDAs and RFs is demonstrated in simulations and in experiments with real vehicles. An application of POGs to estimate the criticality of traffic scenarios and to determine safe trajectories is also presented.
- Abstract（参考訳）: 本稿では,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。
このような表現は、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。
最初のステップとして、階層的な状況分類器を使用して、異なるタイプのトラフィックシナリオを区別する。
この分類器は、運転環境の道路インフラのタイプと安全関連交通参加者を特定する責任を負う。
類似した交通シナリオを表す各クラスでは、ランダムフォレスト(RF)の集合が個別に訓練され、交通参加者の将来の行動を表す確率的時空表現が予測される。
この表現は、予測実行グリッド (Predicted-Occupancy Grid, POG) と呼ばれる。
RFへの入力はAOG(Augmented Occupancy Grid)である。
RFの学習精度を高め、より良い予測を行うため、AOGはスタックド・デノナイジング・オートエンコーダ(SDA)を用いて低次元の特徴に還元される。
SDAとRFからなる機械学習手法の優れた性能をシミュレーションや実車を用いた実験で実証した。
交通シナリオの臨界度を推定し、安全な軌道を決定するためのPOGの応用についても述べる。
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) - Probability Estimation for Predicted-Occupancy Grids in Vehicle Safety Applications Based on Machine Learning [1.0742675209112622]
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。
論文 参考訳（メタデータ） (2025-12-15T00:45:26Z) - Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。
車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。
当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
論文 参考訳（メタデータ） (2025-07-01T09:20:41Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳（メタデータ） (2023-12-19T12:56:56Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - 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) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - KING: Generating Safety-Critical Driving Scenarios for Robust Imitation
via Kinematics Gradients [39.9379344872937]
現在の運転シミュレータは、バックグラウンドトラフィックの「行動モデル」を示す。
手動のシナリオは通常、安全クリティカルな状況を引き起こすシミュレーション中に追加される。
ブラックボックス最適化よりも20%高い成功率で安全クリティカルな運転シナリオを生成するKINGを提案する。
論文 参考訳（メタデータ） (2022-04-28T17:48:48Z) - 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)
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。