Learning Traffic Flow Dynamics using Random Fields
원문 초록
This paper presents a mesoscopic traffic flow model that explicitly describes the spatio-temporal evolution of the probability distributions of vehicle trajectories. The dynamics are represented by a sequence of factor graphs, which enable learning of traffic dynamics from limited Lagrangian measurements using an efficient message passing technique. The approach ensures that estimated speeds and traffic densities are non-negative with probability one. The estimation technique is tested using vehicle trajectory datasets generated using an independent microscopic traffic simulator and is shown to efficiently reproduce traffic conditions with probe vehicle penetration levels as little as 10\%. The proposed algorithm is also compared with state-of-the-art traffic state estimation techniques developed for the same purpose and it is shown that the proposed approach can outperform the state-of-the-art techniques in terms reconstruction accuracy.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
이벤트 카메라를 이용한 고성능 이미지 추적을 위한 등변 필터
Equivariant Filter for High Performance Image Tracking using an Event Camera
이미지 추적은 장면의 움직이는 이미지와 원본 참조 이미지 사이의 변환을 추정하는 문제입니다. 이 문제는 이미지가 카메라나 환경의 움직임에 관한 정보를 인코딩하는 자율 주행 차량 또는 로봇 제어에서 중요하며, 순수한 컴퓨터 비전(CV) 응용에서도 중요합니다. 본 논문에서는 이벤트 카메라를 사용하여 평면 이미지 변환을 고성능으로 추적하기 위한 등변 필터(equivariant filter) 설계를 제안합니다. 이 설계는 원시 이벤트 스트림에서 특징(feature) 위치 측정값을 추출하기 위해 비동기 이벤트 블롭(Asynchronous Event Blob, AEB) 트래커(Wang et al., 2024)를 활용하고, 특수 유클리드 군(special Euclidean group) 대칭성을 이용한 등변 필터로 아핀 이미지 이동 및 회전을 계산합니다. 등변 필터는 AEB 트래커가 제공하는 (시간적 상관관계가 매우 높은) 특징 위치 측정값의 상관관계를 제거하는 등가 측정 업데이트(equivalent-measurement update) 단계를 포함합니다. 우리는 일반 운동 및 빠른 회전 운동을 포함하는 두 가지 데이터셋을 사용하여 설계를 실험적으로 평가합니다. 결과는 직접 최적화(원시 블롭 트랙에서 상대 변환을 추정하는 방식) 및 데이터 상관관계 극복을 위한 공분산 교차(covariance intersection) 접근법과 벤치마크합니다. 본 설계는 이미지 평면에서 초당 최대 7,000픽셀로 이동하는 특징에 대해 부드러운 이미지 추적을 제공합니다.
온보드 센서를 활용한 고유감각적 차량 측위를 위한 물리 정규화 머신러닝
Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors
정확하고 강건한 측위(localization)는 실제 환경의 자율 이동 시스템에 필수적이다. 관성 측정 장치(IMU) 데이터와 위성 기반 보정 신호를 융합하면 정밀한 차량 자세(pose) 추정이 가능하지만, 신호 중단 시 성능이 크게 저하된다. 최근 연구들은 머신러닝(ML)이 IMU 기반 고유감각적 측위를 향상시킬 수 있음을 보이며, 양산 차량에 기본 탑재된 온보드 센서의 활용 가능성을 강조하고 있다. 본 논문은 측위를 위한 물리 정규화 머신러닝(PRML2, Physics-Regularized Machine Learning for Localization)을 소개한다. PRML2는 칼만 필터링과 데이터 기반 학습의 상호 보완적 강점을 결합하여 온보드 센서만으로 차량 자세를 직접 추정하는 하이브리드 프레임워크이다. PRML2의 핵심은 미분 가능한 칼만 필터를 통한 ML 모델의 엔드-투-엔드 학습으로 구현되는 물리 정규화 학습이다. 이를 통해 차량 운동 모델과의 일관성이 개선되어 측위 정확도와 다양한 주행 조건에서의 일반화 성능이 모두 향상된다. 공개 데이터셋에서 ML 기반 온보드 오도메트리(odometry)의 성능 한계를 평가한 결과, PRML2가 우수한 측위 정확도를 달성하고 실시간 처리 능력을 갖춤을 보인다. 또한 본 연구는 저마찰 조건에서의 차량 측위 연구를 지원하기 위한 새로운 데이터셋을 소개한다. 제안된 프레임워크는 물리 기반 사전 정보(physics-based priors)와 학습을 통합함으로써 센서 성능이 저하된 조건에서도 강건하고 비용 효율적인 차량 측위 솔루션을 제공한다.
Information-Aided DVL Calibration
Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets
Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model
운전자 상태 월드 모델링 기반 위험 인식 선택적 멀티모달 운전자 모니터링
Risk-Aware Selective Multimodal Driver Monitoring with Driver-State World Modeling
자율주행 차량에서의 지속적인 운전자 모니터링은 운전자 상태가 불확실한 상황에서 불안전한 판단을 피하면서 낮은 지연 시간의 추론을 요구한다. 대규모 비전-언어(vision-language) 모델은 광범위한 멀티모달 사전(priors)을 제공하지만, 이 설정에서의 지연 시간과 제한된 신뢰성으로 인해 항상 켜진 실내(in-cabin) 모니터로는 부적합하다. 우리는 배포 가능한(deployable) 멀티모달 운전자 모니터링을 위한 비용 인식(cost-aware) 선택적 추론 프레임워크를 제안한다. 핵심 시스템은 실내 시각 관찰과 윈도우 수준의 HR/EDA 신호를 결합하는 경량 RGB-생리학적 student 모델과, 빠른 예측을 수용할지 아니면 안전 개입을 위해 기권(abstain)할지를 결정하는 학습된 게이트로 구성된다. 추가 통제 실험은 학습된 점수가 시나리오 사전(priors)을 넘어 샘플 수준 정보를 포함함을 보여 주지만, 정확한 생리학적 동기화는 여전히 한계로 남아 있음을 나타낸다. 예측적 근거를 통합하기 위해, 잠재 운전자 상태 특징을 전개(roll out)하고 미래 fast 모델 오류와 반사실적(counterfactual) 시스템 수준 행동 비용을 추정하는 컴팩트한 운전자 상태 월드 모델링 모듈을 추가로 연구한다. 시나리오 유발 운전자 수요 인식에서 RGB-생리학적 student는 RGB 단독 및 생리학 단독 베이스라인을 능가하여 11.39M 파라미터와 3.08ms 추론 지연 시간으로 Macro-F1 0.7440, 균형 정확도(balanced accuracy) 0.9099에 도달한다. 비용 인식 선택적 추론은 항상 빠른 추론(always-fast inference)에서 17.37%였던 불안전한 위음성(false negative)을 시드 전반에 걸쳐 약 5%로 줄이면서 배포 수준의 지연 시간을 유지한다. 운전자 상태 월드 모델링은 유용한 예측 신호를 제공하지만, 최악 그룹(worst-group) 평가는 지속적인 운영점(operating-point) 보정(calibration) drift를 부각한다. 궁극적으로 신뢰할 수 있는 엣지(edge) 운전자 모니터링은 지각(perception) 백본뿐 아니라 위험 인식 선택적 제어와 그룹 강건(group-robust) 보정의 발전을 모두 필요로 한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.