任意の自動車運転場面を検出するためのLSTMを用いたアンサンブル学習の検討

カテゴリ: 部門大会

論文No: PS6-3

グループ名: 【C】2022年電気学会電子・情報・システム部門大会

発行日: 2022/08/24

タイトル(英語): Study on Ensemble Learning using LSTM for Detecting Driving Scenes

著者名: 柳原 大地（公立諏訪東京理科大学）,橋本 幸二郎（公立諏訪東京理科大学）

著者名(英語): Daichi Yanagihara (Suwa University of Science),Kohjiro Hashimoto (Suwa University of Science)

キーワード: 運転場面検出|時系列パターン認識|深層学習深層学習|Driving Scenes Detection|Time Series Pattern Recognition|Deep Learning

要約(日本語): 著者らは、実運転からの運転場面検出の技術開発に取り組んでいる。先行研究においてはLong-Short Term Memory(LSTM)を用いた運転場面検出手法を提案し、その有効性を評価した。提案手法では、操作データ及び走行映像を用いて運転場面検出を試みたが、操作データが明らかに異なる右折場面を左折場面として誤検出した。提案手法では複数の入力をモデル内部で統合し特徴量抽出を行う。この時、複数の入力の中で大きな変化が生じやすい入力の方が特徴と選択されやすくなる。すなわち、提案したモデルでは、複数の入力が等価値で評価されないため、操作データの違いをノイズと判断されたと考える。以上から、運転場面検出においては複数の入力に対してそれぞれを等価値で評価、学習する構造が必要である。そこで本論文では、アンサンブル学習のスタッキングを導入することにより複数の入力を等価値に評価可能なモデル構造を提案する。