A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems

要約

タイトル：協調適応的クルーズコントロールシステムにおけるドライバレーンチェンジ予測の新しいモデル

要約：

– 正確なレーンチェンジ予測は、潜在的な事故を減らし、高い道路安全性に貢献することができます。
– 高度なドライバ支援システム（ADAS）の一部である適応的クルーズコントロール（ACC）、レーン離脱回避（LDA）、レーンキープアシスト（LKA）は、従来のモジュールです。
– 車両間通信（V2V）のおかげで、車両は周囲の車両と交通情報を共有することができ、協調適応的クルーズコントロール（CACC）が可能になります。
– ACCは、先行車両の位置と速度を得るために車両のセンサーに依存しますが、CACCはV2V通信を通じて複数台の車両の加速度にもアクセスできます。
– 本論文では、運転手のレーンチェンジ予測に関する情報タイプ（位置、速度、加速度）と周囲の車両数を比較しています。
– 私たちはHighDデータセットでLSTM（長期・短期記憶モデル）をトレーニングして、レーンチェンジ意図を予測しました。
– 結果は、周囲の車両数とその情報量の増加に伴い、精度が著しく向上することを示しています。
– 具体的には、提案されたモデルは、ACCシナリオでは59.15％、CACCシナリオでは92.43％の精度でエゴ車両のレーンチェンジを予測できます。

要約(オリジナル)

Accurate lane change prediction can reduce potential accidents and contribute to higher road safety. Adaptive cruise control (ACC), lane departure avoidance (LDA), and lane keeping assistance (LKA) are some conventional modules in advanced driver assistance systems (ADAS). Thanks to vehicle-to-vehicle communication (V2V), vehicles can share traffic information with surrounding vehicles, enabling cooperative adaptive cruise control (CACC). While ACC relies on the vehicle’s sensors to obtain the position and velocity of the leading vehicle, CACC also has access to the acceleration of multiple vehicles through V2V communication. This paper compares the type of information (position, velocity, acceleration) and the number of surrounding vehicles for driver lane change prediction. We trained an LSTM (Long Short-Term Memory) on the HighD dataset to predict lane change intention. Results indicate a significant improvement in accuracy with an increase in the number of surrounding vehicles and the information received from them. Specifically, the proposed model can predict the ego vehicle lane change with 59.15% and 92.43% accuracy in ACC and CACC scenarios, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI