論文の概要: INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis

• arxiv url: http://arxiv.org/abs/2607.08316v1
• Date: Thu, 09 Jul 2026 09:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.496565
• Title: INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis
• Title（参考訳）: 包括的アブレーション分析を用いたインターセクションシナリオにおける車両意図予測のためのLSTMフレームワーク
• Authors: Logine M. Zaki, Catherine M. Elias,
• Abstract要約: イベント発生の2秒前の交差点での車両の意図を予測するため,LSTMモデルを用いてINENTフレームワークを提案する。 様々なモデル実験とアブレーション研究が、99.71%の精度でInDデータセット上で徹底的にテストされている。
• 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: Vehicle intention prediction is a pivotal aspect in the agility and safety of autonomous vehicles in all driving scenarios; if genuine enhancement of autonomous vehicles are required, we need to make them adopt human interpretation of driver's intention especially in cases that require a lot of human interaction as well as complex driving behaviors like the ones at intersections, roundabouts and emergency cases such as sudden stops where vehicle intention prediction helps in taking the correct evasive action within a real time period where every second of action makes an impact and can prevent a catastrophe from taking place. In the worst case, it helps minimize the damage and make safety a priority. Intention prediction can also be used to enhance trajectory prediction (intention conditioned trajectory prediction). In this study, The INTENT framework is proposed using LSTM model to predict the vehicle's intention at intersections 2 seconds ahead of the event occurrence to predict whether the cars in intersections are going straight, turning left, or turning right. Various model experiments and ablation study are thoroughly tested on InD dataset achieving 99.71% accuracy.
• Abstract（参考訳）: 自動車の意図予測は、すべての運転シナリオにおいて、自動運転車のアジリティと安全性において重要な側面である。もし、真に自動運転車の強化が必要な場合、特に、交差点やラウンドアバウンドなどの複雑な運転行動や、車両の意図予測が正しい回避行動を取るのに役立つような突然の停止のような緊急時の運転行動を必要とする場合に、ドライバーの意図を人間的に解釈させる必要がある。 最悪の場合、ダメージを最小限に抑え、安全性を優先する。 意図予測は、軌跡予測(意図条件付き軌跡予測)を強化するためにも用いられる。 本研究では,イベント発生2秒前の交差点における車両の意図をLSTMモデルを用いて予測し,交差点内の車両が直進しているか,左折するか,右折しているかを予測する。 様々なモデル実験とアブレーション研究が、99.71%の精度でInDデータセット上で徹底的にテストされている。

関連論文リスト

• NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
  既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。 ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。 本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T02:12:40Z)
• Reinforcement Learning for Predicting Traffic Accidents [2.255666468574186]
  本稿では,この事故予測プラットフォームにおいて,二重アクターと正規化批評家(DARC)手法を初めて活用することを提案する。 DARCからインスピレーションを得たのは、現在、事故予知に適した連続行動空間における最先端の強化学習(RL)モデルであるためである。 その結果,DARCを有効活用することにより,従来の手法に比べて精度の指標を多数改善しながら,平均で5%早く予測できることがわかった。
  論文  参考訳（メタデータ） (2022-12-09T05:53:30Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• On Adversarial Robustness of Trajectory Prediction for Autonomous Vehicles [21.56253104577053]
  軌道予測は、安全な計画とナビゲーションを行う自動運転車にとって重要な要素である。 本稿では,予測誤差を最大化するために,通常の車両軌道を乱す新たな対向攻撃を提案する。 ケーススタディでは、敵が敵の軌道に沿って目標のAVに近い車両を運転した場合、AVは不正確な予測を行い、安全でない運転決定を行う可能性がある。
  論文  参考訳（メタデータ） (2022-01-13T16:33:04Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)
• Deep Learning with Attention Mechanism for Predicting Driver Intention at Intersection [2.1699196439348265]
  提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。 提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:12:00Z)

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。