ICPR 2024 Competition on Rider Intention Prediction

要約

車両市場の最近の急増は、交通事故の驚くべき増加をもたらしました。
これは、特にモーターサイクリストのような脆弱な道路利用者にとって、交通安全対策を強化することの重要な重要性を強調しています。
したがって、ライダーの意図予測（RIP）競争を導入します。これは、ライダーの安全性の課題に対処することを目的としています。
この機能により、ライダーは、高度なドライバー支援システム（ADA）によってフラグが立てられた潜在的な誤った操作に対応できます。
新しいデータセット、つまり、シングルビューRIPとマルチビューRIPの2つのタスクで構成される競合のライダーアクション予測データセット（RAAD）を収集します。
データセットには、さまざまな照明条件がある道路上の交通条件と挑戦的なナビゲーション操作が組み込まれています。
競争では、RIPタスクの両方で上位3つのパフォーマンスチームの方法を比較した75の登録と5つのチームの提出を受け取りました：1つの状態空間モデル（MAMBA2）と2つの学習ベースのアプローチ（SVMとCNN-LSTM）。
結果は、状態空間モデルがデータセット全体で他のメソッドよりも優れており、操作クラス全体でバランスの取れたパフォーマンスを提供することを示しています。
SVMベースのRIPメソッドは、ランダムサンプリングとスモートを使用するときに2番目に良いパフォーマンスを示しました。
ただし、CNN-LSTMメソッドは、主にクラスの不均衡の問題、特に少数派のクラスに苦労しているため、パフォーマンスが低下しています。
このペーパーでは、提案されているRaadデータセットの詳細を説明し、RIP 2024コンペティションの提出物の要約を示しています。

要約(オリジナル)

The recent surge in the vehicle market has led to an alarming increase in road accidents. This underscores the critical importance of enhancing road safety measures, particularly for vulnerable road users like motorcyclists. Hence, we introduce the rider intention prediction (RIP) competition that aims to address challenges in rider safety by proactively predicting maneuvers before they occur, thereby strengthening rider safety. This capability enables the riders to react to the potential incorrect maneuvers flagged by advanced driver assistance systems (ADAS). We collect a new dataset, namely, rider action anticipation dataset (RAAD) for the competition consisting of two tasks: single-view RIP and multi-view RIP. The dataset incorporates a spectrum of traffic conditions and challenging navigational maneuvers on roads with varying lighting conditions. For the competition, we received seventy-five registrations and five team submissions for inference of which we compared the methods of the top three performing teams on both the RIP tasks: one state-space model (Mamba2) and two learning-based approaches (SVM and CNN-LSTM). The results indicate that the state-space model outperformed the other methods across the entire dataset, providing a balanced performance across maneuver classes. The SVM-based RIP method showed the second-best performance when using random sampling and SMOTE. However, the CNN-LSTM method underperformed, primarily due to class imbalance issues, particularly struggling with minority classes. This paper details the proposed RAAD dataset and provides a summary of the submissions for the RIP 2024 competition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google