要約
レーンの決定とレーンシーケンスの決定は、多くの接続および自動化された車両（CAV）アプリケーションにとって重要なコンポーネントです。
レーンの決定は、Hidden Markovモデル（HMM）を使用して他の方法の中でも解決されています。
レーンシーケンス決定の既存のHMM文献では、ユーザー修正パラメーターを使用して経験的定義を使用して、HMM確率を計算します。
文献の確率定義は、オフロードポジションの確率を直接計算できないため、HMMの休憩を引き起こす可能性があり、データの後処理が必要です。
このホワイトペーパーでは、道路と車両の物理的特性とセンサーの確率的特性を使用して、時変HMMを開発します。
このアプローチにより、パラメーターチューニングなしでセンサーデータに条件付けられた排出および遷移確率モデルが得られます。
また、車両が道路車線（例：肩やUターンの作成）にない可能性を説明しており、これにより、HMM処理の休憩に対処するための後処理の必要性がなくなります。
このアプローチでは、ViterBiアルゴリズムとHMMをセンサーデータに条件付けする必要があります。センサーデータは、車両が移動した最も馬鹿げたレーンのシーケンスを生成するために使用されます。
提案されたアプローチは、平均精度95.9％を達成します。
既存の文献と比較して、これは提案された遷移確率を実装することにより、2.25％の平均増加と、提案された遷移確率と排出確率の両方を実装することにより5.1％の平均増加を提供します。
要約(オリジナル)
Lane determination and lane sequence determination are important components for many Connected and Automated Vehicle (CAV) applications. Lane determination has been solved using Hidden Markov Model (HMM) among other methods. The existing HMM literature for lane sequence determination uses empirical definitions with user-modified parameters to calculate HMM probabilities. The probability definitions in the literature can cause breaks in the HMM due to the inability to directly calculate probabilities of off-road positions, requiring post-processing of data. This paper develops a time-varying HMM using the physical properties of the roadway and vehicle, and the stochastic properties of the sensors. This approach yields emission and transition probability models conditioned on the sensor data without parameter tuning. It also accounts for the probability that the vehicle is not in any roadway lane (e.g., on the shoulder or making a U-turn), which eliminates the need for post-processing to deal with breaks in the HMM processing. This approach requires adapting the Viterbi algorithm and the HMM to be conditioned on the sensor data, which are then used to generate the most-likely sequence of lanes the vehicle has traveled. The proposed approach achieves an average accuracy of 95.9%. Compared to the existing literature, this provides an average increase of 2.25% by implementing the proposed transition probability and an average increase of 5.1% by implementing both the proposed transition and emission probabilities.
arxiv情報
| 著者 | Mike Stas,Wang Hu,Jay A. Farrell |
| 発行日 | 2025-05-07 19:42:56+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google