Spatiotemporal Prediction of Vehicle Movement Using Artificial Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F22%3A00359444" target="_blank" >RIV/68407700:21240/22:00359444 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/IV51971.2022.9827089" target="_blank" >https://doi.org/10.1109/IV51971.2022.9827089</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IV51971.2022.9827089" target="_blank" >10.1109/IV51971.2022.9827089</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Spatiotemporal Prediction of Vehicle Movement Using Artificial Neural Networks

Popis výsledku v původním jazyce

Prediction of the movement of all traffic participants is a very important task in autonomous driving. Well-predicted behavior of other cars and actors is crucial for safety. A sequence of bird’s-eye view artificially rasterized frames are used as input to neural networks which are trained to predict the future behavior of the participants. The Lyft Motion Prediction for Autonomous Vehicles dataset is explored and adapted for this task. We developed and applied a novel approach where the prediction problem is viewed as a problem of spatiotemporal prediction and we use methods based on convolutional recurrent neural networks.

Název v anglickém jazyce

Spatiotemporal Prediction of Vehicle Movement Using Artificial Neural Networks

Popis výsledku anglicky

Prediction of the movement of all traffic participants is a very important task in autonomous driving. Well-predicted behavior of other cars and actors is crucial for safety. A sequence of bird’s-eye view artificially rasterized frames are used as input to neural networks which are trained to predict the future behavior of the participants. The Lyft Motion Prediction for Autonomous Vehicles dataset is explored and adapted for this task. We developed and applied a novel approach where the prediction problem is viewed as a problem of spatiotemporal prediction and we use methods based on convolutional recurrent neural networks.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of 2022 IEEE Intelligent Vehicles Symposium (IV)

ISBN

978-1-6654-8821-1

ISSN

—

e-ISSN

1931-0587

Počet stran výsledku

6

Strana od-do

734-739

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Aachen

Datum konání akce

4. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000854106700103