文献

J-GLOBAL ID：202202256684891676   整理番号：22A0650654

ポイントクラウド時系列マルチビュー特徴とマルチターゲット対話型情報を統合する車両運動状態予測法【JST・京大機械翻訳】

Vehicle Motion State Prediction Method Integrating Point Cloud Time Series Multiview Features and Multitarget Interactive Information

著者 (6件)： Zhang Ruibin (School of Automobile, Chang’an University, Xi’an 710064, China) ,  Zhang Ruibin (School of Automobile Engineering, Guilin University of Aerospace Technology, Guilin 541004, China) ,  Guo Yingshi (School of Automobile, Chang’an University, Xi’an 710064, China) ,  Long Yunze (School of Automobile Engineering, Guilin University of Aerospace Technology, Guilin 541004, China) ,  Zhou Yang (School of Automobile, Chang’an University, Xi’an 710064, China) ,  Jiang Chunyan (School of Automobile Engineering, Guilin University of Aerospace Technology, Guilin 541004, China)
資料名： Journal of Advanced Transportation  (Journal of Advanced Transportation)
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： D0581A  ISSN： 0197-6729  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究では,複雑なシーンにおける知的車両周辺の交通参加者の運動状態を効果的に予測するために,ポイントクラウドタイミングマルチビュー特徴およびマルチターゲット相互作用情報を統合した車両運動状態予測アルゴリズムを提案した。アルゴリズムは,周囲の環境と近くの物体の相互作用によって影響を受ける物体運動の特性を分析して,複雑な交通環境認識二重マルチライン光検出と測距(LiDAR)技術に基づいている。時系列空中ビューマップと時系列フロントビュー深さマップを,LiDARによって知覚されたリアルタイムポイントクラウド情報を用いて得る。次に,マルチビューシーンにおける時系列高レベル抽象組合せ特徴を,改良VGG19ネットワークモデルによって抽出し,一次元畳込みニューラルネットワークを用いて,レーザレーダによって検出されるマルチターゲット操作状態データ抽出特徴の潜在的時空的相互作用と融合した。時間的特徴ベクトルを双方向長期および短期メモリ(BiLSTM)ネットワークの入力データとして構築し,望ましい入出力マッピング関係を訓練し,交通参加者の運動状態を予測した。テスト結果によって,ポイントクラウドマルチビューと車両相互作用情報に基づく提案したBiLSTMモデルは,目標車両の状態を予測する他の方式より良かった。結果は,知的車両運転環境のリスクを評価する研究に対するサポートを提供できる。Copyright 2022 Ruibin Zhang et al. 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 ,  記憶装置 ,  相互作用 ,  LIDAR ,  ネットワーク ,  リスク ,  特性 ,  *状態推定 ,  一次元 ,  交通 ,  光検出
準シソーラス用語： 特徴ベクトル ,  ネットワークモデル ,  予測アルゴリズム ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 交通調査  (TB01031B)

引用文献 (45件)：

• Y. Liang, S. Muller, D. Schwendner, D. Rolle, D. Ganesch, I. Schaffer, "A scalable framework for robust vehicle state estimation with a fusion of a low-cost IMU, the GNSS, radar, a camera and lidar," Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE, Portland, OR, USA, April 2020.
• U. H. Kim, D. Ka, H. Yeo, J.-H. Kim, A Real-Time Vision Framework for Pedestrian Behavior Recognition and Intention Prediction at Intersections Using 3D Pose Estimation, IEEE, Daejeon, South Korea, 2020.
• N. Lyu, J. Wen, Z. Duan, C. Wu, "Vehicle trajectory prediction and cut-in collision warning model in a connected vehicle environment," IEEE Transactions on Intelligent Transportation Systems, no. 99, pp. 1-16, 2020.
• J. Huang, S. Xiao, L. Xiao, Y. Jiao, Z. Qiang Wang, X. Wang, "Dynamic model construction and simulation based on intelligent driving vehicle," Proceedings of the 2021 IEEE 4th Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC), IEEE, Chongqing, China, June 2021.
• M. N. Azadani, A. Boukerche, "Driving behavior analysis guidelines for intelligent transportation systems," IEEE Transactions on Intelligent Transportation Systems, no. 99, pp. 1-19, 2021.

タイトルに関連する用語 (9件)： ポイント ,  クラウド ,  時系列 ,  マルチビュー ,  マルチターゲット ,  対話型 ,  統合 ,  車両運動 ,  状態予測