ترجمه فارسی مقاله پیش‌بینی مسیر همدیس با ادغام داده‌های چندنمایی در رانندگی مشارکتی

چکیده

Current research on trajectory prediction primarily relies on data collected by onboard sensors of an ego vehicle. With the rapid advancement in connected technologies, such as vehicle-to-vehicle (V2V) and vehicle-to-infrastructure (V2I) communication, valuable information from alternate views becomes accessible via wireless networks. The integration of information from alternative views has the potential to overcome the inherent limitations associated with a single viewpoint, such as occlusions and limited field of view. In this work, we introduce V2INet, a novel trajectory prediction framework designed to model multi-view data by extending existing single-view models. Unlike previous approaches where the multi-view data is manually fused or formulated as a separate training stage, our model supports end-to-end training, enhancing both flexibility and performance. Moreover, the predicted multimodal trajectories are calibrated by a post-hoc conformal prediction module to get valid and efficient confidence regions. We evaluated the entire framework using the real-world V2I dataset V2X-Seq. Our results demonstrate superior performance in terms of Final Displacement Error (FDE) and Miss Rate (MR) using a single GPU. The code is publicly available at: url{https://github.com/xichennn/V2I_trajectory_prediction}.

چکیده به فارسی (ترجمه ماشینی)

تحقیقات فعلی در مورد پیش بینی مسیر در درجه اول به داده های جمع آوری شده توسط سنسورهای پردازنده یک وسیله نقلیه نفس متکی است.با پیشرفت سریع در فن آوری های متصل ، مانند ارتباطات وسیله نقلیه به وسیله نقلیه (V2V) و ارتباطات وسیله نقلیه به زیرزمین (V2I) ، اطلاعات ارزشمند از نماهای متناوب از طریق شبکه های بی سیم قابل دسترسی است.ادغام اطلاعات از دیدگاههای جایگزین پتانسیل غلبه بر محدودیتهای ذاتی مرتبط با یک دیدگاه واحد ، مانند انسداد و میدان دید محدود را دارد.در این کار ، ما V2INET را معرفی می کنیم ، یک چارچوب پیش بینی مسیر جدید که برای مدل سازی داده های چند منظوره با گسترش مدلهای تک نمای موجود طراحی شده است.بر خلاف رویکردهای قبلی که داده های چند منظوره به صورت دستی به عنوان یک مرحله آموزش جداگانه ذوب می شوند یا تدوین می شوند ، مدل ما از آموزش پایان به پایان پشتیبانی می کند و هم انعطاف پذیری و عملکرد را تقویت می کند.علاوه بر این ، مسیرهای پیش بینی شده چند حالته توسط یک ماژول پیش بینی کنفورماسی پس از تعقیب و گریز برای به دست آوردن مناطق اعتماد به نفس معتبر و کارآمد کالیبره می شوند.ما کل چارچوب را با استفاده از مجموعه داده های واقعی V2I V2X-SEQ ارزیابی کردیم.نتایج ما عملکرد برتر را از نظر خطای جابجایی نهایی (FDE) و میزان MISS (MR) با استفاده از یک GPU واحد نشان می دهد.کد به طور عمومی در: url {https://github.com/xichennn/v2i_trajectory_prediction.