[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CaSTFormer: Causal Spatio-Temporal Transformer for Driving Intention Prediction

Created by
  • Haebom

저자

Sirui Wang, Zhou Guan, Bingxi Zhao, Tongjia Gu

개요

CaSTFormer는 인간-기계 협력 주행 시스템의 안전성 및 상호 작용 효율성 향상을 위한 운전 의도 예측 모델이다. 기존 모델의 복잡한 시공간적 상호 의존성 및 예측 불가능한 인간 운전 행동의 변동성을 정확하게 모델링하는 데 대한 한계를 극복하기 위해 제안되었다. CaSTFormer는 운전자 행동과 환경적 맥락 간의 인과 관계를 명시적으로 모델링하기 위해, 상호 역전 전달 융합(RSF) 메커니즘, 인과 패턴 추출(CPE) 모듈, 특징 합성 네트워크(FSN)를 도입하여 정확한 시간 정렬, 잘못된 상관관계 제거, 그리고 시공간적 추론을 위한 일관된 표현 합성을 수행한다. Brain4Cars 데이터셋에서 최첨단 성능을 달성하였으며, 복잡한 인과 시공간적 의존성을 효과적으로 포착하여 운전 의도 예측의 정확성과 투명성을 향상시킨다.

시사점, 한계점

•
시사점:
◦
인간 운전 행동의 복잡한 시공간적 상호 의존성과 변동성을 효과적으로 모델링하는 새로운 접근 방식 제시.
◦
RSF, CPE, FSN 모듈을 통해 운전 의도 예측의 정확성과 투명성 향상.
◦
Brain4Cars 데이터셋에서 최첨단 성능 달성.
◦
인간-기계 협력 주행 시스템의 안전성 및 효율성 향상에 기여.
•
한계점:
◦
Brain4Cars 데이터셋에 대한 성능 평가만 제시되어 다른 데이터셋에 대한 일반화 성능은 불확실.
◦
제안된 모델의 계산 비용 및 복잡도에 대한 분석 부족.
◦
실제 주행 환경에서의 실험 결과 부재.
◦
모델의 해석력에 대한 추가적인 연구 필요.
👍
Made with Slashpage