文献

J-GLOBAL ID：201802284028437671   整理番号：18A0588152

リカレントニューラルネットワークによる占有グリッドマップ上での確率的車両軌道予測【Powered by NICT】

Probabilistic vehicle trajectory prediction over occupancy grid map via recurrent neural network

著者 (6件)： Kim ByeoungDo (Hanyang University, Seoul, Korea) ,  Kang Chang Mook (Hanyang University, Seoul, Korea) ,  Kim Jaekyum (Hanyang University, Seoul, Korea) ,  Lee Seung Hi (Hanyang University, Seoul, Korea) ,  Chung Chung Choo (Hanyang University, Seoul, Korea) ,  Choi Jun Won (Hanyang University, Seoul, Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ITSC  ページ： 399-404  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,リカレントニューラルネットワークに基づく効率的な車両軌跡予測フレームワークを提案した。基本的に,道路構造,交通ルール,および運転者の意図を含む種々の潜在的要因によって影響を受け,車両の軌跡の特性は通常の移動物体のそれとは異なる。技術アプローチの以前の状態は,これらの因子を記述する洗練された車両挙動モデルを使用し,複雑な軌道予測アルゴリズム,実用化のための集中モデルの最適化を行うためにシステム設計者を必要とすることを導いた。著者らのアプローチは,深層ニューラルネットワークモデルによる軌道データの大量から車両の複雑な挙動を学習する利用に対するデータ駆動と簡単である。提案した軌道予測法を時間的挙動を分析し,周辺車両の将来の座標を予測するために長い短期記憶(LSTM)と呼ばれるリカレントニューラルネットワークを採用した。提案した方式は,センサ測定から得られた車両の座標の配列を供給するLSTMと占有グリッドマップ上での車両の将来位置に確率的情報を生成する。高速道路運転から収集したデータを用いて行われた実験は,提案した方法が将来の軌道の合理的に良好な推定値を生成することができることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 移動体 ,  *軌道推定 ,  センサ ,  最適化 ,  モデル ,  運転 ,  *予測 ,  軌跡 ,  道路構造
準シソーラス用語： 短期記憶 ,  データ駆動 ,  ディープニューラルネットワーク ,  予測アルゴリズム ,  挙動モデル ,  *リカレントニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (5件)： リカレントニューラルネットワーク ,  グリッド ,  マップ ,  確率 ,  軌道予測