Để hành động thông minh trong môi trường năng động, hệ thống phải hiểu được tình hình hiện tại mà nó tham gia vào bất kỳ thời điểm nào. Điều này đòi hỏi phải xử lý bối cảnh thời gian, xử lý các cách giải thích đa dạng và mơ hồ cũng như tính toán các nguồn gốc khác nhau của sự không chắc chắn. Trong bài viết này, chúng tôi đề xuất một cách tiếp cận xác suất để mô hình hóa và nhận biết các tình huống. Chúng tôi định nghĩa một tình huống là sự phân bố trên các chuỗi trạng thái có một số cách diễn giải có ý nghĩa. Mỗi tình huống được đặc trưng bởi một mô hình Markov ẩn riêng lẻ mô tả sự phân bổ tương ứng. Đặc biệt, chúng tôi xem xét các tình huống lưu lượng truy cập điển hình và mô tả cách sử dụng khung của chúng tôi để lập mô hình và theo dõi các tình huống khác nhau trong khi chúng đang phát triển. Cách tiếp cận này được đánh giá bằng thực nghiệm trong các tình huống giao thông xe cộ sử dụng dữ liệu thực và mô phỏng. Kết quả cho thấy hệ thống của chúng tôi có thể nhận biết và theo dõi song song nhiều trường hợp tình huống và đưa ra quyết định hợp lý giữa các giả thuyết cạnh tranh. Ngoài ra, chúng tôi cho thấy rằng các mô hình của chúng tôi có thể được sử dụng để dự đoán vị trí của các phương tiện được theo dõi.

Abstract:

To act intelligently in dynamic environments, a system must understand the current situation it is involved in at any given time. This requires dealing with temporal context, handling multiple and ambiguous interpretations, and accounting for various sources of uncertainty. In this paper we propose a probabilistic approach to modeling and recognizing situations. We define a situation as a distribution over sequences of states that have some meaningful interpretation. Each situation is characterized by an individual hidden Markov model that describes the corresponding distribution. In particular, we consider typical traffic scenarios and describe how our framework can be used to model and track different situations while they are evolving. The approach was evaluated experimentally in vehicular traffic scenarios using real and simulated data. The results show that our system is able to recognize and track multiple situation instances in parallel and make sensible decisions between competing hypotheses. Additionally, we show that our models can be used for predicting the position of the tracked vehicles.

Ngôn ngữ:	En
Tác giả:	Firl, Jonas
Thông tin nhan đề:	Probabilistic Maneuver Recognition in Traffic Scenarios
Nhà xuất bản:	KIT Scientific Publishing
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ ô tô
Bản quyền:	https://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://www.ksp.kit.edu/site/books/m/10.5445/KSP/1000043680/
Mô tả vật lý:	179p.
Năm xuất bản:	2014