JP2011014037A - リスク予測システム - Google Patents
リスク予測システム Download PDFInfo
- Publication number
- JP2011014037A JP2011014037A JP2009159062A JP2009159062A JP2011014037A JP 2011014037 A JP2011014037 A JP 2011014037A JP 2009159062 A JP2009159062 A JP 2009159062A JP 2009159062 A JP2009159062 A JP 2009159062A JP 2011014037 A JP2011014037 A JP 2011014037A
- Authority
- JP
- Japan
- Prior art keywords
- risk
- state
- information
- learning
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
【解決手段】特徴量抽出部4で画像入力部2からの画像データから特徴量を抽出し、状態認識部5でN次元の特徴量ベクトルを1次元の状態に変換する。また、リスク情報抽出部6で車両データ入力部3から入力される車両情報からリスク情報を抽出して教師情報を作成する。リスク認識部7は、状態認識部5で得られた状態とリスク情報抽出部6で作成された教師との相関関係から状態のリスクを学習・認識する。更に、リスク予測部8は、時系列的な状態の遷移をマルコフモデルを用いてモデル化し、状態遷移確率をオンラインで学習更新することにより未来の状態を予測して対応するリスクを予測する。そして、リスク情報出力部9から現在のリスクと予測した未来のリスクをモニタや音声等により出力する。
【選択図】図1
Description
本発明のリスク予測システムは、自動車等の移動体に搭載され、外界環境の検出結果からその環境内に含まれる危険度(リスク)に係る情報を適応的に認識するシステムである。このシステムは、現在のリスクだけでなく、さらに数秒後といった近い未来のリスクを認識することができ、ドライバへの警告や車両制御によるリスクの回避を可能とし、自車及び自車周辺の車両、歩行者の安全向上に寄与することができる。
(a)ドライバ操作データからのリスク情報の抽出(リスク情報抽出部6)
(b)画像データからの画像特徴量の決定・選択(特徴量抽出部4)
(c)画像特徴量から状態への変換(状態認識部5)
(d)状態とリスクとの相関認識(リスク認識部7)
特徴量抽出部4は、以降のリスク認識のためのデータを抽出する。一般に、リスク認識に相関がないデータは認識に悪影響を与える。つまり、この特徴量抽出処理においては、むやみに特徴量を増やすということは得策でなく、逆に、必要な特徴量を用いないことも精度を悪化させる。
入力画像に対して、ソベル、縦方向ソベル、横方向ソベル、フレーム間差分、輝度、彩度の6種類のフィルタ処理を行い、6次元の特徴量データを抽出する。
フィルタ処理された画像の画素値に対して、平均、分散、最大値、最小値、横方向重心、縦方向重心、コントラスト、均一性、エントロピー、フラクタル次元の10種類の計算処理を行い、10次元の特徴量データを抽出する。
図3に示すように、画像内に領域A0を設定し、この設定領域A0の全体、設定領域A0内の左側の領域A1、右側の領域A2、中央の領域A3の4種類の領域について、4次元の特徴量データを抽出する。
状態認識部5では、N次元の特徴量データを1次元の状態という量に圧縮変換する。つまり、状態認識部5は、入力された画像特徴量データから状態という量を出力する識別器として機能する(但し、この識別器の出力は、1状態を確定せずに確率的に扱うこともできる)。本処理における学習は、この識別器の内部構造を入力データ、教師データを用いて実環境に適応させることになるが、ここでの学習における教師は、この入力データがどの状態であるかを直接教えるのではなく、出力された状態から認識されるリスクを、できるだけ効率的に、且つ精度良く認識できるようにするものである。
識別器としての認識処理は、入力データに対してプロトタイプ型の識別処理を行う。ここで、状態番号をSとすると、各状態は代表値を持ち、これをprots(i)とする。状態代表値prots(i)は、N次元のベクトルであり、i=0,1,…,N−1となる。
L(s)=(Σi(prots(i)−In(i))2)1/2 …(1)
K=mins(L(s)) …(2)
P(s)=(exp(−L(s)/σ))/z …(3)
z=Σsexp(−L(s)/σ) …(4)
次に、状態認識部5の学習処理では、入力データ及び教師情報から、SOMをベースとした各状態の代表値の学習(更新)を行う。学習は、階層型ニューラルネットワークの一種である自己組織化マップ(SOM;Self-Organization Maps)の学習をベースとする。
prots(i)→prots(i)+α(In(i)−prots(i) …(5)
α=a・b(t)・c(D(s,K),t)・e(t) …(6)
但し、a :学習係数
b :時間減衰係数
c :領域減衰係数
D(s,K):更新対象のユニットと勝者ベクトル間のつながりにおける距離
e :教師情報係数
前述したように、本形態では、車両操作情報からのリスク抽出に際して、リスク情報抽出部6では学習を行わず、予め設定したルールを用いてドライバの操作情報からリスク情報を抽出するようにしている。このルールに従ったリスク情報の抽出処理においては、リスク情報をレベル付きの1次元データとして扱う。
フレーム間のブレーキ圧力の差分に応じてリスクレベルを設定する。例えば、ブレーキ圧力の差分が1×102kPa以上ならリスク有り、1×102kPaでリスク5、1×103kPaでリスク10とし、リスク5とリスク10との間は、ブレーキ圧力の差分に応じて線形に設定する。
所定の車速以上で、ブレーキ圧力に応じてリスクレベルを設定する。例えば、車速10km/h以上で、ブレーキ圧力が20×102kPa以上の場合はリスク10、ブレーキ圧力が10×102kPa以上の場合はリスク6、ブレーキ圧力が5×102kPa以上の場合はリスク2とする。
ウインカーが出ていない状態で、フレーム間のハンドル角の差分の絶対値が設定値(例えば10deg)以上の場合、リスク5とする。
所定の車速以上で、フレーム間のアクセル開度の差分に応じてリスクレベルを設定する。例えば、車速5km/h以上でアクセル開度の差分が−1%以下の場合、リスク4とする。
加速中のアクセル開度に応じてリスクレベルを設定する。加速中であるか否かは、車速の微分値で判断し、車速の微分値0以上(加速中)でアクセル開度1%以下の場合、リスク2とする。
リスク認識部7では、状態認識部5で求めた状態により、リスクを出力する。前述したように、各状態はそれぞれリスク確率分布を持つため、状態sでのリスクの確率分布をp(R│s)と表すことにする。尚、ここでのリスクは、リスク情報抽出部6でのリスクと対応しており、11段階のレベルに分けているので、リスクレベルRとリスク確率(分布)p(R│s)とは、例えば図8に示すような関係で表される。
E=ΣRR・p(R│s) …(7)
E=ΣsΣRP(s)・R・p(R│s) …(8)
リスク確率の学習は毎フレームに行われ、リスク確率は逐次更新される。リスク確率は、基本的に、過去に経験したリスクレベルの頻度分布を用いて算出する。しかし、本システムは、オンライン学習なので無限遠過去のデータまで持つことは難しく、また遠い過去の経験に現在と同じ重要度を持たせることは好ましくないと考えられる。従って、ここでは、以下の方法でリスク確率を更新する。
pt+1(R│st)=pt(R│st)+β…(9)
pt+1(R│st)←pt+1(R│st)/ΣRpt+1(R│st) …(10)
p(r│st-1)=p(r│st-1)+η・(RI(r)+γ・p(r│st)−p(r│st-1))
+h・η・(γ・p(r−1│st)−p(r−1│st-1))
+h・η・(γ・p(r+1│st)−p(r+1│st-1)) …(11)
但し、h:リスクレベル方向の伝播の大きさを表すパラメータ
γ:時系列の伝播の大きさを表すパラメータ
η:一回の学習での更新の大きさを表すパラメータ
RI(r)=1 (r=Q) …(12)
RI(r)=0 (r≠Q) …(13)
R≠0のとき、
e(t)=10・R・p(R│st) …(14)
R=0のとき、
e(t)=const …(15)
リスク予測部8は、先ず、現時刻から未来の時刻の状態を予測し、この未来の状態から未来のリスクを予測する。未来の状態は、或る1つの状態に確定されるものではなく、確率的であるため、ここでは、tフレーム後に状態Sである確率をp(st)と表し、現在時刻の状態も確率として表現する。
状態Stから状態St+1への遷移は、本実施の形態においては、「ある時刻ステップの状態は、その1つ前の時刻ステップの状態のみから求まる」という1重のマルコフ性を仮定し、状態遷移確率C(st+1|st)を用いて以下の(16)式により計算される。これは状態Stから状態St+1へ遷移する確率である。時刻t0で状態Sが発生する確率から時刻tで状態Stが発生する確率を求めるには、(15)式をt回繰り返せば良く、これにより、状態の発生確率p(s0)からp(st)までがそれぞれ求まる。
p(st+1)=ΣstC(st+1|st)p(st) …(16)
以上の状態遷移確率は、オンラインリスク認識にて逐次入力される状態とその遷移情報を記憶することにより、学習される。例えば、各状態は確定しているものとして状態遷移のテーブルを用意し、毎フレームごとに得られる状態遷移度数をカウントすることで、定期的に状態遷移確率を更新する。これにより、オンラインで走りながら経験を蓄積し、状態遷移確率を更新して学習を行うことができる。
次に、現時刻からtフレーム後までの各状態の確率分布が得られると、この情報を元に、予測リスクを算出する。予測リスクは、以下の(18)式に示すように、未来の全ての状態のリスクを確率的に累積することで求める。その際、より遠い未来ほど累積に寄与する割合が小さくなるように減衰のためのゲイン関数G(t)を付与して累積する。このゲイン関数G(t)を適切に設定することにより、例えば、t秒後の予想されるリスクというようなピンポイントの予測も可能である。
ΣtΣst(tmp_risk(st))Y1・(base_risk)Y2・(risk_difference(st))Y3・p(st)・G(t) …(18)
ここで、tmp_risk(st):状態Stでのリスク
base_risk:現在のリスク
risk_difference(st):状態Stのリスクと現在のリスクとの差(但し、負になる場合は0とする)
G(t)=exp(-t/Y4) 但し、ΣtG(t)=1
Y1,Y2,Y3,Y4:パラメータ
以上によって求める予測リスクの取り得る範囲は、理論上は0〜1であるが、実際は0〜0.01程度の範囲で分布する。そのため、算出した予測リスクを正規化する処理を行う。この正規化処理については、予め設定した範囲で正規化を行う以外にも、動的に変化させることができる。具体的には、今まで得られた最大の予測リスク値を記憶しておき、そのリスクが1となるように変換する。つまり、予測リスクの正規化のための係数もオンラインでの経験を元に動的に変動するということになる。
現在及び状態Stのリスク値は、その状態の持つリスク情報から得られる。すなわち、リスク情報は、図14に示すように、リスクレベルの確率分布で保持しているが、リスク値を期待値で出力する場合、図15(a),(b)に示すように、異なるリスクレベルの確率分布でも、同じ現在リスクの値として表現される可能性がある。
ΣtΣstΣrrY5・(tmp_riskst(r))Y1・(base_risk)Y2・(risk_differencest(r))Y3・p(st)・G(t) …(19)
ここで、tmp_riskst(r):状態Stでのリスクrの確率
base_risk:現在の状態でのリスク
risk_differencest(r):状態S0のリスクrの確率と現在の状態のリスクrの確率との差(但し、負になる場合は0とする)
G(t):(18)式と同様
Y1,Y2,Y3,Y4,Y5:パラメータ
以上のリスク予測処理は、システムへの実装に際して処理時間(計算量)が問題となり、システムによっては計算能力が不足する可能性がある。例えば、状態数を100、予測対象範囲を50ステップとした場合、状態の予測は100×100×50回、予測リスク値の算出は100×50×4回(状態やリスクを確率的に拡張した場合は更に多い)の積の計算が必要になる。この他、当然のことながら、リスク認識の計算や学習も必要になる。このため、処理時間短縮を行うことが重要になる。
ΣsPRT(s)・p(s0) …(20)
予測は、その予測した時間後に結果が得られることから、その結果を用いて自らを学習すること(自律学習)が可能になる。予測の学習対象である状態遷移確率は一意に決まるため、もし予測が外れているということであれば、モデルが悪い(マルコフモデルの仮定が破れている、また予測リスク算出方法が適正でない)か、シーンリスクの認識自体が精度が悪いと推測することができる。
以上の処理によるリスク認識結果の出力例1,2を図16,図17に示す。図16,図17は、車載カメラから得られた画像に認識結果を表示したシステムの出力画像であり、現在認識しているリスクの大きさと予測したリスクの大きさとを、画面下部領域の2段のバーグラフで表している。このバーグラフで表される認識リスクは、前述したリスク確率の期待値を示しており、その上に表示される数字は、認識した状態番号である。
4 特徴量抽出部
5 状態認識部
6 リスク情報抽出部
7 リスク認識部
8 リスク予測部
Claims (11)
- 移動体の外界環境を検出し、この外界環境に含まれるリスクを認識して予測するリスク予測システムであって、
上記外界環境の検出情報から抽出した特徴量をクラスタリングして状態を認識する状態認識部と、
上記状態認識部で認識された状態とリスクの教師情報との相関に基づいて、上記状態の有するリスクを適応的に学習し、上記外界環境に含まれる現在のリスクを認識するリスク認識部と、
上記状態の時系列情報に基づいて、現在認識しているリスクよりも先の未来のリスクを予測するリスク予測部と
を備えることを特徴とするリスク予測システム。 - 上記状態を確率として扱い、時系列的に認識される上記状態の遷移確率を用いて、現在の状態から未来の状態を推定する処理を繰り返すことにより、未来のリスクを予測することを特徴とする請求項1記載のリスク予測システム。
- 上記遷移確率の計算を複数の時間軸で並列的に実行し、それらの結果を統合して未来のリスクを予測することを特徴とする請求項2記載のリスク予測システム。
- 上記遷移確率の計算を繰り返して事前確率に収束しているか否かを判定し、事前確率に収束している場合、上記遷移確率の計算を終了することを特徴とする請求項2記載のリスク予測システム。
- 予測した状態と、その後の時間帯で得られる状態認識結果との差を教師情報として、現在リスクの認識処理を学習することを特徴とする請求項2記載のリスク予測システム。
- 上記遷移確率を上記状態の出力頻度のヒストグラムを用いて算出することを特徴とする請求項2記載のリスク予測システム。
- 上記ヒストグラムの頻度情報を定期的に減少させ、過去に学習した情報に対して直近で学習した情報の寄与度を上げることを特徴とする請求項6記載のリスク予測システム。
- 上記ヒストグラムの何れかの要素が予め設定した閾値を上回った場合、上記ヒストグラムの頻度情報を減少させて演算負荷を軽減することを特徴とする請求項6記載のリスク予測システム。
- 上記ヒストグラムを、上記状態の確率の大きさを投票量として更新することを特徴とする請求項6記載のリスク予測システム。
- 上記未来のリスクを、現在の状態を確定的とみなして作成されたリスクテーブルを用いて予測することを特徴とする請求項2記載のリスク予測システム。
- 上記リスクテーブルを、実時間のリスク認識処理及び予測処理とは異なる周期のバックグラウンド処理で更新することを特徴とする請求項10記載のリスク予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009159062A JP2011014037A (ja) | 2009-07-03 | 2009-07-03 | リスク予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009159062A JP2011014037A (ja) | 2009-07-03 | 2009-07-03 | リスク予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011014037A true JP2011014037A (ja) | 2011-01-20 |
Family
ID=43592832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009159062A Pending JP2011014037A (ja) | 2009-07-03 | 2009-07-03 | リスク予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011014037A (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250663A (ja) * | 2012-05-30 | 2013-12-12 | Denso Corp | 運転シーン認識装置 |
CN103544850A (zh) * | 2013-09-13 | 2014-01-29 | 中国科学技术大学苏州研究院 | 车联网中基于车间距离概率分布的碰撞预测方法 |
JP2014235605A (ja) * | 2013-06-03 | 2014-12-15 | 株式会社デンソー | 運転シーンラベル推定装置 |
JP2016095707A (ja) * | 2014-11-14 | 2016-05-26 | 株式会社デンソー | 遷移予測データ生成装置および遷移予測装置 |
JP2019053377A (ja) * | 2017-09-13 | 2019-04-04 | 株式会社デンソーアイティーラボラトリ | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 |
CN109615109A (zh) * | 2018-12-29 | 2019-04-12 | 大唐河南清洁能源有限责任公司 | 基于小样本数据的深度学习风电告警信息分析方法 |
WO2019124001A1 (ja) * | 2017-12-18 | 2019-06-27 | 日立オートモティブシステムズ株式会社 | 移動体挙動予測装置および移動体挙動予測方法 |
CN110562261A (zh) * | 2019-09-26 | 2019-12-13 | 长安大学 | 一种基于马尔可夫模型检测驾驶员风险等级的方法 |
CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
JP2021034739A (ja) * | 2019-08-13 | 2021-03-01 | Kddi株式会社 | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04245719A (ja) * | 1991-01-30 | 1992-09-02 | Nec Corp | 適応符号化・復号化方式 |
WO2001081946A1 (fr) * | 2000-04-25 | 2001-11-01 | Mitsubishi Denki Kabushiki Kaisha | Systeme d'avertissement de presence de turbulence en vol |
JP2008123217A (ja) * | 2006-11-10 | 2008-05-29 | Toyota Motor Corp | 障害物進路予測方法、装置、およびプログラム |
JP2009018623A (ja) * | 2007-07-10 | 2009-01-29 | Toyota Motor Corp | 走行制御装置 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
-
2009
- 2009-07-03 JP JP2009159062A patent/JP2011014037A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04245719A (ja) * | 1991-01-30 | 1992-09-02 | Nec Corp | 適応符号化・復号化方式 |
WO2001081946A1 (fr) * | 2000-04-25 | 2001-11-01 | Mitsubishi Denki Kabushiki Kaisha | Systeme d'avertissement de presence de turbulence en vol |
JP2008123217A (ja) * | 2006-11-10 | 2008-05-29 | Toyota Motor Corp | 障害物進路予測方法、装置、およびプログラム |
JP2009018623A (ja) * | 2007-07-10 | 2009-01-29 | Toyota Motor Corp | 走行制御装置 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250663A (ja) * | 2012-05-30 | 2013-12-12 | Denso Corp | 運転シーン認識装置 |
JP2014235605A (ja) * | 2013-06-03 | 2014-12-15 | 株式会社デンソー | 運転シーンラベル推定装置 |
CN103544850A (zh) * | 2013-09-13 | 2014-01-29 | 中国科学技术大学苏州研究院 | 车联网中基于车间距离概率分布的碰撞预测方法 |
CN103544850B (zh) * | 2013-09-13 | 2016-01-20 | 中国科学技术大学苏州研究院 | 车联网中基于车间距离概率分布的碰撞预测方法 |
JP2016095707A (ja) * | 2014-11-14 | 2016-05-26 | 株式会社デンソー | 遷移予測データ生成装置および遷移予測装置 |
JP2019053377A (ja) * | 2017-09-13 | 2019-04-04 | 株式会社デンソーアイティーラボラトリ | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 |
CN111670468A (zh) * | 2017-12-18 | 2020-09-15 | 日立汽车系统株式会社 | 移动体行为预测装置以及移动体行为预测方法 |
CN111670468B (zh) * | 2017-12-18 | 2022-06-14 | 日立安斯泰莫株式会社 | 移动体行为预测装置以及移动体行为预测方法 |
WO2019124001A1 (ja) * | 2017-12-18 | 2019-06-27 | 日立オートモティブシステムズ株式会社 | 移動体挙動予測装置および移動体挙動予測方法 |
JP2019109691A (ja) * | 2017-12-18 | 2019-07-04 | 日立オートモティブシステムズ株式会社 | 移動体挙動予測装置および移動体挙動予測方法 |
US11645916B2 (en) | 2017-12-18 | 2023-05-09 | Hitachi Astemo, Ltd. | Moving body behavior prediction device and moving body behavior prediction method |
CN109615109A (zh) * | 2018-12-29 | 2019-04-12 | 大唐河南清洁能源有限责任公司 | 基于小样本数据的深度学习风电告警信息分析方法 |
JP2021034739A (ja) * | 2019-08-13 | 2021-03-01 | Kddi株式会社 | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 |
JP7269694B2 (ja) | 2019-08-13 | 2023-05-09 | Kddi株式会社 | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 |
CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
CN110633989B (zh) * | 2019-08-16 | 2023-08-29 | 创新先进技术有限公司 | 一种风险行为生成模型的确定方法及装置 |
CN110562261B (zh) * | 2019-09-26 | 2021-07-23 | 长安大学 | 一种基于马尔可夫模型检测驾驶员风险等级的方法 |
CN110562261A (zh) * | 2019-09-26 | 2019-12-13 | 长安大学 | 一种基于马尔可夫模型检测驾驶员风险等级的方法 |
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN114248781B (zh) * | 2020-09-21 | 2024-04-16 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN112613756B (zh) * | 2020-12-25 | 2024-04-02 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011014037A (ja) | リスク予測システム | |
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
Chae et al. | Autonomous braking system via deep reinforcement learning | |
US10739773B2 (en) | Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting | |
JP5185554B2 (ja) | オンラインリスク学習システム | |
US11364899B2 (en) | Driving assistance method and system | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
JP5572339B2 (ja) | オンラインリスク認識システム | |
JP2009096365A (ja) | リスク認識システム | |
JP5204552B2 (ja) | リスク融合認識システム | |
Rekabdar et al. | Dilated convolutional neural network for predicting driver's activity | |
Wirthmüller et al. | Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks | |
CN117037115A (zh) | 一种基于机器视觉的自动驾驶避障系统及方法 | |
JP2011003076A (ja) | リスク認識システム | |
WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
US20240017746A1 (en) | Assessing present intentions of an actor perceived by an autonomous vehicle | |
US20220383510A1 (en) | Method For Training A Neural Network For Semantic Image Segmentation | |
US20220388534A1 (en) | Method and system for predicting behavior of actors in an environment of an autonomous vehicle | |
CN113928341B (zh) | 一种道路决策方法、系统、设备和介质 | |
US11794780B2 (en) | Reward function for vehicles | |
JP2010267134A (ja) | リスク認識システム | |
JP5547913B2 (ja) | オンラインリスク学習システム | |
CN114771533A (zh) | 自动驾驶车辆的控制方法、装置、设备、车辆及介质 | |
CN114333416A (zh) | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 | |
CN113011347B (zh) | 一种基于人工智能的智能驾驶方法、装置及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120330 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130730 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130925 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20140318 |