A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data

要約

車線変更 (LC) プロセスを正確に検出および予測することで、自動運転車が周囲の環境をより深く理解し、潜在的な安全上の危険を認識し、交通安全を向上させることができます。
この論文では、LC プロセスに焦点を当て、高次元の時系列データから LC の意図を認識するためのさまざまな機械学習手法のパフォーマンスを比較します。
提案されたモデルのパフォーマンスを検証するために、合計 1,023 個の車両軌道が CitySim データセットから抽出されます。
LC 意図認識問題については、アンサンブル手法により 98% の分類精度が得られ、タイプ II およびタイプ III の分類エラーの影響が軽減されることが結果からわかりました。
LightGBM は、認識精度を犠牲にすることなく、XGBoost アルゴリズムよりもモデル トレーニング効率が 6 倍向上していることを示しています。

要約(オリジナル)

Accurately detecting and predicting lane change (LC)processes can help autonomous vehicles better understand their surrounding environment, recognize potential safety hazards, and improve traffic safety. This paper focuses on LC processes and compares different machine learning methods’ performance to recognize LC intention from high-dimensionality time series data. To validate the performance of the proposed models, a total number of 1023 vehicle trajectories is extracted from the CitySim dataset. For LC intention recognition issues, the results indicate that with ninety-eight percent of classification accuracy, ensemble methods reduce the impact of Type II and Type III classification errors. Without sacrificing recognition accuracy, the LightGBM demonstrates a sixfold improvement in model training efficiency than the XGBoost algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google