論文の概要: From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps

• arxiv url: http://arxiv.org/abs/2601.14848v1
• Date: Wed, 21 Jan 2026 10:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.329961
• Title: From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps
• Title（参考訳）: 観測から予測へ:高速道路オンオフランプにおける車線変化予測のためのLSTM
• Authors: Mohamed Abouras, Catherine M. Elias,
• Abstract要約: 本稿では,このエリア・オブ・興味 (AoI) と幹線道路区間との差異について検討する。 その結果,AoIでは約76%,最大地平線では一般道路では94%,予測精度では最大4秒の地平線が期待できることがわかった。
• 参考スコア（独自算出の注目度）: 0.9668407688201359
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: On and off-ramps are understudied road sections even though they introduce a higher level of variation in highway interactions. Predicting vehicles' behavior in these areas can decrease the impact of uncertainty and increase road safety. In this paper, the difference between this Area of Interest (AoI) and a straight highway section is studied. Multi-layered LSTM architecture to train the AoI model with ExiD drone dataset is utilized. In the process, different prediction horizons and different models' workflow are tested. The results show great promise on horizons up to 4 seconds with prediction accuracy starting from about 76% for the AoI and 94% for the general highway scenarios on the maximum horizon.
• Abstract（参考訳）: オンランプとオフランプは、ハイウェイの相互作用に高いレベルの変化をもたらすにもかかわらず、未調査の道路区間である。 これらの地域での車両の挙動予測は、不確実性の影響を減らし、道路安全を高める。 本稿では,このエリア・オブ・興味 (AoI) と幹線道路区間との差異について検討する。 ExiDドローンデータセットでAoIモデルをトレーニングするための多層LSTMアーキテクチャを利用する。 このプロセスでは、異なる予測地平線と異なるモデルのワークフローをテストする。 その結果,AoIでは約76%,最大地平線では一般道路では94%,予測精度では最大4秒の地平線が期待できることがわかった。

関連論文リスト

• Explainable Lane Change Prediction for Near-Crash Scenarios Using Knowledge Graph Embeddings and Retrieval Augmented Generation [0.0]
  車線変更操作、特に突然または危険な状況で実行されるものは、道路交通事故の重大な原因である。 本研究は,CRASHデータセットを用いて,リスクの高い車線変化を予測することに焦点を当てる。 我々は、KGとベイジアン推論を利用して、言語文脈情報を用いてこれらの操作を予測する。
  論文  参考訳（メタデータ） (2025-01-20T16:02:26Z)
• 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)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Trajectory Prediction with Observations of Variable-Length for Motion Planning in Highway Merging scenarios [5.193470362635256]
  既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。 本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。 2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
  論文  参考訳（メタデータ） (2023-06-08T18:03:48Z)
• Predicting Vehicles' Longitudinal Trajectories and Lane Changes on Highway On-Ramps [2.580765958706854]
  高速道路のオンランプの車両は渋滞の主要な要因の1つだ。 高速道路における車両の縦方向の軌跡と車線変化(LC)を予測するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-23T20:38:37Z)
• The Atlas of Lane Changes: Investigating Location-dependent Lane Change Behaviors Using Measurement Data from a Customer Fleet [4.055489363682199]
  我々は、位置特異的なa-プリオリレーン変化確率を計算することによって、この共通プラクティスを拡大する第一歩を踏み出す。 人間の運転行動は、それぞれの場所によって全く同じ交通状況で変化する可能性がある。 信頼できる車線変更確率を導出するためには、広い顧客層が成功の鍵となる。
  論文  参考訳（メタデータ） (2021-06-23T07:29:19Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。