論文の概要: Machine Learning Architectures for the Estimation of Predicted Occupancy Grids in Road Traffic

• arxiv url: http://arxiv.org/abs/2512.12907v1
• Date: Mon, 15 Dec 2025 01:24:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.495543
• Title: Machine Learning Architectures for the Estimation of Predicted Occupancy Grids in Road Traffic
• Title（参考訳）: 道路交通における予測機能グリッド推定のための機械学習アーキテクチャ
• Authors: Parthasarathy Nadarajan, Michael Botsch, Sebastian Sardina,
• Abstract要約: 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。
• 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: This paper introduces a novel machine learning architecture for an efficient estimation of the probabilistic space-time representation of complex traffic scenarios. A detailed representation of the future traffic scenario is of significant importance for autonomous driving and for all active safety systems. In order to predict the future space-time representation of the traffic scenario, first the type of traffic scenario is identified and then the machine learning algorithm maps the current state of the scenario to possible future states. The input to the machine learning algorithms is the current state representation of a traffic scenario, termed as the Augmented Occupancy Grid (AOG). The output is the probabilistic space-time representation which includes uncertainties regarding the behaviour of the traffic participants and is termed as the Predicted Occupancy Grid (POG). The novel architecture consists of two Stacked Denoising Autoencoders (SDAs) and a set of Random Forests. It is then compared with the other two existing architectures that comprise of SDAs and DeconvNet. The architectures are validated with the help of simulations and the comparisons are made both in terms of accuracy and computational time. Also, a brief overview on the applications of POGs in the field of active safety is 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効率的に推定するための新しい機械学習アーキテクチャを提案する。 将来の交通シナリオの詳細な表現は、自動運転およびすべてのアクティブセーフティシステムにおいて重要な意味を持つ。 交通シナリオの時空間表現を予測するために、まず交通シナリオのタイプを特定し、次に機械学習アルゴリズムがシナリオの現在の状態を将来の状態にマッピングする。 機械学習アルゴリズムへの入力は、AOG(Augmented Occupancy Grid)と呼ばれる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み、予測職業グリッド (Predicted Occupancy Grid, POG) と呼ばれる。 新規アーキテクチャは2つのスタックド・デノナイジング・オートエンコーダ(SDA)とランダムフォレストからなる。 その後、SDAとDeconvNetで構成される他の2つの既存アーキテクチャと比較される。 アーキテクチャはシミュレーションの助けを借りて検証され、比較は精度と計算時間の両方で行われる。 また, アクティブセーフティ分野におけるPOGの応用について概説する。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
  マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。 本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。 すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
  論文  参考訳（メタデータ） (2023-02-21T18:42:24Z)
• 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)
• 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。