論文の概要: Decision Making and Ride Comfort Evaluation Based on Lane-Change Prediction for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2610.30528v1
• Date: Wed, 21 Oct 2026 23:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.174843
• Title: Decision Making and Ride Comfort Evaluation Based on Lane-Change Prediction for Autonomous Vehicles
• Title（参考訳）: 自動走行車におけるレーン切替予測に基づく意思決定と乗り心地の評価
• Abstract要約: 本研究では、車線変更予測を自動運転車の意思決定に組み込むことの利点について検討する。 CARLAでシミュレートされた危険な統合シナリオにおいて、3つの駆動戦略が評価される。 提案した予測モデルは、その発生の約3-4秒前に、周囲の車両の車線変化を予測している。
• 参考スコア（独自算出の注目度）: 11.460014541604544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting surrounding vehicles' lane-change intentions enables autonomous vehicles to anticipate potential hazards and respond proactively rather than relying solely on reactive maneuvers. This study investigates the benefits of integrating lane-change prediction, based on knowledge graph embeddings and Bayesian inference, into autonomous vehicle decision-making. Three driving strategies are evaluated in risky merging scenarios simulated in CARLA: reactive driving, prediction-based longitudinal action, and prediction-based lateral action. The proposed prediction model anticipates the surrounding vehicle's lane change approximately 3-4 seconds before its occurrence, allowing the ego vehicle to adjust its behavior accordingly. In the representative simulation records, reactive driving results in a collision accompanied by aggressive deceleration. In contrast, prediction-based longitudinal action initiates early braking to establish a safe gap, while prediction-based lateral action performs a lane change when a safe adjacent lane is available. Both predictive strategies avoid collisions in the evaluated records. Compared with reactive driving, peak deceleration before impact is reduced by 31.5% with longitudinal action and 91.0% with lateral action. Additionally, an ISO 2631-1-based horizontal vibration estimate is used to provide a ride comfort assessment. Overall, the results highlight the potential of lane-change prediction to support safer and smoother driving through proactive decision-making, with additional insights into ride comfort provided by vibration-based estimates.
• Abstract（参考訳）: 周囲の車両の車線変更の意図を予測することにより、自動運転車は潜在的な危険を予知し、反応性の操作のみに頼るのではなく、積極的に対応することができる。 本研究では、知識グラフの埋め込みとベイズ推定に基づく車線変化予測を自動運転車の意思決定に組み込むことの利点について検討する。 CARLAでシミュレートされたリスクのある統合シナリオでは,3つの駆動戦略が評価される。 提案モデルでは, 周辺車両の車線変化を約3～4秒前に予測し, エゴ車両の挙動を順に調整する。 代表的なシミュレーション記録では、反応駆動はアグレッシブ減速を伴う衝突の結果である。 対照的に、予測に基づく縦方向の動作は、早期の制動を開始して安全なギャップを確立する一方、予測に基づく横方向の動作は、安全な隣接車線が利用できる場合に車線変更を行う。 どちらの予測戦略も評価された記録の衝突を避ける。 反応性駆動と比較して、衝突前のピーク減速は縦方向の作用で31.5%、横方向の作用で91.0%減少する。 さらに、ISO 2631-1に基づく水平振動推定を用いて乗り心地の評価を行う。 全体としては、積極的意思決定を通じてより安全でスムーズな運転を支援する車線変更予測の可能性を強調し、振動に基づく推定から得られる乗り心地についてさらなる知見を得た。

関連論文リスト

• INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis [0.9668407688201359]
  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。
  論文  参考訳（メタデータ） (2026-07-09T09:56:26Z)
• Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
  車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。 本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-05T12:43:15Z)
• 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)
• 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)
• Prediction by Anticipation: An Action-Conditional Prediction Method based on Interaction Learning [23.321627835039934]
  潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。 このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。 提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
  論文  参考訳（メタデータ） (2020-12-25T01:39:26Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)
• Perception as prediction using general value functions in autonomous driving applications [5.071770433010771]
  予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学習する。 エージェントの前部安全と後部安全をGVFで予測することを学ぶことにより,予測として認識を実証する。 これらの予測は、適応的なクルーズ制御問題において、LQRベースのコントローラに類似した制御動作を生成するために使用できることを示す。
  論文  参考訳（メタデータ） (2020-01-24T17:33:06Z)

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。