BT

自走車による車線変更予測が改善

| 作者: Roland Meertens フォローする 7 人のフォロワー , 翻訳者 編集部T _ フォローする 0 人のフォロワー 投稿日 2018年3月11日. 推定読書時間: 2 分 |

原文(投稿日:2018/02/07)へのリンク

読者の皆様へ:お客様のご要望に応じて、重要なものを逃すことなく、ノイズを低減できる一連の機能を開発しました。興味のあるトピックを選択して、電子メールとWeb通知を入手してください

研究者は、自走車が周囲の車の車線変更を予測するアルゴリズムを開発した。

このシステムは、Long Short-Term Memories (LSTMs)と呼ばれるディープラーニング技術を使用して動作する。この技術では、一定時間の知識を観察し、その知識を伝播して将来起こることを予測するようにニューラルネットワークを訓練する。この技術は、長い入力シーケンスや、遠い将来を予測する場合には不安定であることが知られているが、限られた時間スコープではうまく機能する。

ニューラルネットワークのLSTMへの入力は、最も近い6台の自動車から車両までの相対的な位置および速度からなる。ニューラルネットワークはこの現在の状態をとり、他の車両が過去3秒間にどのように動いたかを調べる。ネットワークは、車両が1つ左の車線に移動するか、1つ右の車線に移動するか、同じ車線に留まるかどうかを予測する。LSTMは、LSTMの状態とLSTMの予測結果の両方を出力する。この出力は、2つの緻密層を有するニューラルネットワークを通過し、3つの予測のうちの1つで終わる。

研究者は、ニューラルネットワークが1秒から5秒の間に得たデータ量を変化させ、最大3秒後の将来までを予測した。車両の位置と向きは125メートルまで離れた対象で検出され、毎秒25回計測値が収集された。

この論文の著者は、センサが故障した際に他の車が何をするかを予測する方法としてこの論文を書いた。この方法により、Lidarが故障しても、他の車が将来どうなるかを依然として把握できる。彼らはトヨタの内部データセットで500,000回の車線変更についてアルゴリズムを訓練し、テストした。ハイウェイで最も可能性の高いシナリオは、すべての車がその車線にとどまることであるが、アルゴリズムはこの基準となる予測からわずかに改善することができた。

著者らはarXivで論文を公開した

 
 

Rate this Article

Adoption Stage
Style
 
 

この記事に星をつける

おすすめ度
スタイル

こんにちは

コメントするには InfoQアカウントの登録 または が必要です。InfoQ に登録するとさまざまなことができます。

アカウント登録をしてInfoQをお楽しみください。

あなたの意見をお聞かせください。

HTML: a,b,br,blockquote,i,li,pre,u,ul,p

このスレッドのメッセージについてEmailでリプライする
コミュニティコメント

HTML: a,b,br,blockquote,i,li,pre,u,ul,p

このスレッドのメッセージについてEmailでリプライする

HTML: a,b,br,blockquote,i,li,pre,u,ul,p

このスレッドのメッセージについてEmailでリプライする

ディスカッション

InfoQにログインし新機能を利用する


パスワードを忘れた方はこちらへ

Follow

お気に入りのトピックや著者をフォローする

業界やサイト内で一番重要な見出しを閲覧する

Like

より多いシグナル、より少ないノイズ

お気に入りのトピックと著者を選択して自分のフィードを作る

Notifications

最新情報をすぐ手に入れるようにしよう

通知設定をして、お気に入りコンテンツを見逃さないようにしよう!

BT