文献

J-GLOBAL ID：202002253214745773   整理番号：20A0899728

連結車両のための同時時系列モデリングに基づく個別化車両軌道予測【JST・京大機械翻訳】

Personalized Vehicle Trajectory Prediction Based on Joint Time-Series Modeling for Connected Vehicles

著者 (3件)： Xing Yang (School of Mechanical and Aerospace Engineering, Nanyang Technological University, Singapore) ,  Lv Chen (School of Mechanical and Aerospace Engineering, Nanyang Technological University, Singapore) ,  Cao Dongpu (Mechanical and Mechatronics Engineering, University of Waterloo, Waterloo, ON, Canada)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 69  号： 2  ページ： 1341-1352  発行年： 2020年 
JST資料番号： C0244A  ISSN： 0018-9545  CODEN： ITVTAB  資料種別： 逐次刊行物 (A)
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： 主要な車両のための運動予測は,接続自律車両のための重要な作業である。それは,先行車両挙動をモデル化し,それらの相互作用を解析する方法を提供する。本研究では,異なる駆動スタイルを考慮した車両軌道予測のための共同時系列モデリング手法を提案した。提案した方法は,車両速度や車両の加速度などの限られた車間通信信号に基づく先導車両のための正確で個人化された軌道予測を可能にする。3つの異なる駆動スタイルを,教師なしクラスタリングアルゴリズム,すなわちGauss混合モデル(GMM)に基づいて最初に認識した。GMMは,主要な車両の速度,加速度,ジャーク,時間,およびスペースヘッドウェイの特徴に基づいて,各車両に対する特定の駆動スタイルを生成する。また,駆動スタイル認識の特徴的重要性を,最大情報係数(MIC)アルゴリズムに基づいて評価した。次に,Long Short-Terme Memory(LSTM)再帰ニューラルネットワークモデル(RNN)に基づく個人化ジョイント時系列モデリング(JTSM)法を提案して,フロント車両軌道を予測した。JTSMは一般的なLSTM層と異なる駆動スタイルに対して異なる完全に接続された回帰層を含んでいる。提案した方法を,US101とI-80高速道路データセットに関するNext生成シミュレーション(NGSIM)データでテストした。JTSMは,1~5秒先に予測を行うために試験した。結果は,提案した個人化JTSMアプローチがベースラインアルゴリズムよりも有意な利点を示すことを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  相互作用 ,  加速度 ,  高速道路 ,  *連結式車両 ,  通信信号 ,  *軌道推定 ,  基準線 ,  動き推定
準シソーラス用語： 自律性 ,  神経回路網モデル ,  Gauss混合モデル ,  教師なしクラスタリング ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (3件)： 走行装置  (QG03040V) ,  走行性能  (QG02020S) ,  電装品  (QG03070C)

タイトルに関連する用語 (4件)： 連結車両 ,  系列 ,  モデリング ,  軌道予測