Datasets:
alexanderpl
/
init2

Dataset card Data Studio Files
xet
 Community
id
int64
18
21.1k
created_at
timestamp[ns, tz=UTC]date
2026-02-23 07:30:20
2026-02-24 16:54:39
updated_at
timestamp[ns, tz=UTC]date
2026-02-23 08:08:14
2026-02-24 16:54:39
doc_name
stringclasses
1 value
input
stringlengths
11
9.24k
output
stringlengths
0
738
is_personal
bool
2 classes
is_sentence
bool
2 classes
is_corrected
bool
2 classes
17,907
2026-02-24T14:10:52.139000Z
2026-02-24T14:10:52.139000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является эффективность использования информации от RSU для координации движения четырех AV в условиях насыщенного фонового трафика
false
true
false
17,906
2026-02-24T14:10:49.285000Z
2026-02-24T14:10:49.285000Z
Lec.
На перекрестке размещена RSU, которая передает всем четырем подъезжающим AV информацию о средней скорости, количестве автомобилей и плотности фонового трафика на всех направлениях
false
true
false
17,905
2026-02-24T14:10:46.264000Z
2026-02-24T14:10:46.264000Z
Lec.
Целью данного сценария является исследование взаимодействия четырех AV, подъезжающих к нерегулируемому перекрестку со всех четырех направлений, в условиях фонового трафика и при наличии RSU
false
true
false
17,904
2026-02-24T14:10:43.253000Z
2026-02-24T14:10:43.253000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является взаимодействие четырех AV между собой на основе локальных правил и их взаимодействие с фоновым трафиком
false
true
false
17,903
2026-02-24T14:10:40.428000Z
2026-02-24T14:10:40.428000Z
Lec.
Все четыре AV планируют продолжить движение прямо через перекресток
false
true
false
17,902
2026-02-24T14:10:37.626000Z
2026-02-24T14:10:37.626000Z
Lec.
Четыре легковых автомобиля, оборудованных технологиями автономного управления и имеющих максимальную скорость 50 км/ч, создаются на расстоянии 25 метров от центра перекрестка, подъезжая с южного, северного, западного и восточного направлений
false
true
false
17,901
2026-02-24T14:10:34.579000Z
2026-02-24T14:10:34.579000Z
Lec.
Целью данного сценария является исследование взаимодействия четырех AV, подъезжающих к нерегулируемому перекрестку со всех четырех направлений, в условиях фонового трафика
false
true
false
17,900
2026-02-24T14:10:31.628000Z
2026-02-24T14:10:31.628000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является влияние информации от RSU на взаимодействие трех AV между собой и с фоновым трафиком
false
true
false
17,899
2026-02-24T14:10:29.154000Z
2026-02-24T14:10:29.154000Z
Lec.
Каждый AV использует модель принятия решений, которая учитывает информацию от RSU и, возможно, информацию от других AV, при выборе скорости подъезда и момента начала маневра проезда перекрестка
false
true
false
17,898
2026-02-24T14:10:26.295000Z
2026-02-24T14:10:26.295000Z
Lec.
На перекрестке размещена RSU, которая передает всем трем подъезжающим AV информацию о средней скорости, количестве автомобилей и плотности фонового трафика на всех направлениях
false
true
false
17,897
2026-02-24T14:10:23.229000Z
2026-02-24T14:10:23.229000Z
Lec.
Целью данного сценария является исследование взаимодействия трех AV, подъезжающих к нерегулируемому перекрестке с трех направлений (юг, север, запад), в условиях фонового трафика и при наличии RSU
false
true
false
17,896
2026-02-24T14:10:20.201000Z
2026-02-24T14:10:20.201000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является взаимодействие трех AV между собой на основе локальных правил и их взаимодействие с фоновым трафиком
false
true
false
17,895
2026-02-24T14:10:17.022000Z
2026-02-24T14:10:17.022000Z
Lec.
Все три AV планируют продолжить движение прямо через перекресток
false
true
false
17,894
2026-02-24T14:10:14.241000Z
2026-02-24T14:10:14.241000Z
Lec.
Три легковых автомобиля, оборудованных технологиями автономного управления и имеющих максимальную скорость 50 км/ч, создаются на расстоянии 25 метров от центра перекрестка, подъезжая с южного, северного и западного направлений
false
true
false
17,893
2026-02-24T14:10:11.243000Z
2026-02-24T14:10:11.243000Z
Lec.
Целью данного сценария является исследование взаимодействия трех AV, подъезжающих к нерегулируемому перекрестку с трех направлений (юг, север, запад), в условиях фонового трафика
false
true
false
17,892
2026-02-24T14:10:08.276000Z
2026-02-24T14:10:08.276000Z
Lec.
Каждый AV использует модель принятия решений, которая учитывает информацию, полученную от RSU, а также информацию о другом AV, при выборе скорости подъезда и момента начала маневра проезда перекрестка
false
true
false
17,891
2026-02-24T14:10:05.232000Z
2026-02-24T14:10:05.232000Z
Lec.
На перекрестке размещена RSU, которая передает обоим подъезжающим AV информацию о средней скорости, количестве автомобилей и плотности фонового трафика на всех направлениях
false
true
false
17,890
2026-02-24T14:10:02.197000Z
2026-02-24T14:10:02.197000Z
Lec.
На каждом подъезде размещено по 5 равномерно распределенных автомобилей фонового трафика, движущихся с постоянной скоростью
false
true
false
17,889
2026-02-24T14:09:59.659000Z
2026-02-24T14:09:59.659000Z
Lec.
Целью данного сценария является исследование взаимодействия двух AV, подъезжающих к нерегулируемому перекрестку с противоположных направлений (юг и север), в условиях фонового трафика и при наличии RSU
false
true
false
17,888
2026-02-24T14:09:56.661000Z
2026-02-24T14:09:56.661000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является взаимодействие двух AV между собой на основе локальных правил и их взаимодействие с фоновым трафиком
false
true
false
17,887
2026-02-24T14:09:53.977000Z
2026-02-24T14:09:53.977000Z
Lec.
Каждый AV использует модель принятия решений при проезде перекрестка, основанную на стандартных правилах приоритета "помеха справа" и не имеет доступа к информации от инфраструктуры
false
true
false
17,886
2026-02-24T14:09:50.833000Z
2026-02-24T14:09:50.833000Z
Lec.
Оба AV планируют продолжить движение прямо через перекресток
false
true
false
17,885
2026-02-24T14:09:48.073000Z
2026-02-24T14:09:48.073000Z
Lec.
Два легковых автомобиля, оборудованных технологиями автономного управления и имеющих максимальную скорость 50 км/ч, создаются на расстоянии 25 метров от центра перекрестка, подъезжая с южного и северного направлений
false
true
false
17,884
2026-02-24T14:09:45.069000Z
2026-02-24T14:09:45.069000Z
Lec.
Целью данного сценария является исследование взаимодействия двух AV, подъезжающих к нерегулируемому перекрестку с противоположных направлений (юг и север), в условиях фонового трафика
false
true
false
17,883
2026-02-24T14:09:42.253000Z
2026-02-24T14:09:42.253000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является влияние информации от RSU на взаимодействие двух AV между собой и с фоновым трафиком
false
true
false
17,882
2026-02-24T14:09:39.609000Z
2026-02-24T14:09:39.609000Z
Lec.
AV использует модель принятия решений, которая учитывает информацию, полученную от RSU, при выборе скорости подъезда и момента начала маневра проезда перекрестка
false
true
false
17,881
2026-02-24T14:09:36.484000Z
2026-02-24T14:09:36.484000Z
Lec.
На перекрестке размещена RSU, которая передает подъезжающему AV информацию о средней скорости, количестве автомобилей и плотности фонового трафика на всех направлениях
false
true
false
17,880
2026-02-24T14:09:33.683000Z
2026-02-24T14:09:33.683000Z
Lec.
На каждом подъезде (север, юг, запад, восток) размещено по 5 равномерно распределенных автомобилей фонового трафика, движущихся с постоянной скоростью
false
true
false
17,879
2026-02-24T14:09:31.012000Z
2026-02-24T14:09:31.012000Z
Lec.
Целью данного сценария является исследование взаимодействия одиночного AV, подъезжающего к нерегулируемому перекрестку с южного направления, в условиях фонового трафика и при наличии
false
true
false
17,878
2026-02-24T14:09:28.239000Z
2026-02-24T14:09:28.240000Z
Lec.
Основным аспектом, изучаемым в этом сценарии, является взаимодействие AV с фоновым трафиком на всех направлениях при его приближении и проезде перекрестка
false
true
false
17,877
2026-02-24T14:09:25.370000Z
2026-02-24T14:09:25.370000Z
Lec.
Модель принятия решений для AV при проезде перекрестка основана на стандартных правилах приоритета "помеха справа"
false
true
false
17,876
2026-02-24T14:09:22.966000Z
2026-02-24T14:09:22.966000Z
Lec.
Автоматизированный автомобиль продолжает движение прямо через перекресток
false
true
false
17,875
2026-02-24T14:09:20.211000Z
2026-02-24T14:09:20.211000Z
Lec.
На каждом подъезде размещено по 5 равномерно распределенных автомобилей, все автомобили фонового трафика движутся с постоянной скоростью
false
true
false
17,874
2026-02-24T14:09:17.544000Z
2026-02-24T14:09:17.544000Z
Lec.
Один легковой автомобиль, оборудованный технологиями автономного управления и имеющий максимальную скорость 50 км/ч, создается на расстоянии 25 метров от центра перекрестка, подъезжая с южного направления
false
true
false
17,873
2026-02-24T14:09:14.938000Z
2026-02-24T14:09:14.938000Z
Lec.
Моделируется нерегулируемый перекресток двух дорог
false
true
false
17,872
2026-02-24T14:09:12.279000Z
2026-02-24T14:09:12.279000Z
Lec.
Целью данного сценария является исследование поведения одиночного AV при подъезде и проезде стандартного нерегулируемого перекрестка в условиях фонового трафика, присутствующего на всех четырех направлениях
false
true
false
17,871
2026-02-24T14:09:09.285000Z
2026-02-24T14:09:09.285000Z
Lec.
Рис. 5 Карта Town04
false
false
false
17,870
2026-02-24T14:09:06.950000Z
2026-02-24T14:09:06.950000Z
Lec.
Все сценарии будут на основе перекрестка на карте Town04 (рис. 5)
false
true
false
17,869
2026-02-24T14:09:04.885000Z
2026-02-24T14:09:04.885000Z
Lec.
Интеграция данного конфигурационного файла в кодовую базу проекта позволила значительно упростить процесс настройки и запуска экспериментов, повысить прозрачность и воспроизводимость исследований за счет явного отделения параметров от исполняемого кода, а также облегчить дальнейшее масштабирование и модификацию экспериментальных установок
false
true
false
17,868
2026-02-24T14:09:01.676000Z
2026-02-24T14:09:01.676000Z
Lec.
Рис. 4 – Конфигурационный файл
false
true
false
17,867
2026-02-24T14:08:58.832000Z
2026-02-24T14:08:58.832000Z
Lec.
Рис. 3 – Конфигурационный файл
false
true
false
17,866
2026-02-24T14:08:56.123000Z
2026-02-24T14:08:56.123000Z
Lec.
В config.yaml были структурированы такие параметры, как длительность генерируемых сценариев, вероятность появления новых транспортных средств, пути к директориям с данными, количество эпох обучения, размер пакета и другие важные настройки
false
true
false
17,865
2026-02-24T14:08:53.686000Z
2026-02-24T14:08:53.686000Z
Lec.
Целью создания данного файла являлось централизованное управление всеми параметрами, необходимыми для различных этапов работы проекта, включая генерацию синтетических данных для обучения и валидации модели, а также настройку процесса обучения
false
true
false
17,864
2026-02-24T14:08:50.709000Z
2026-02-24T14:08:50.709000Z
Lec.
В дополнение к экспериментальной работе, в рамках данного исследования была разработана и внедрена система конфигурации на основе файла config.yaml (рис. 3-4)
false
true
false
17,863
2026-02-24T14:08:47.887000Z
2026-02-24T14:08:47.887000Z
Lec.
Понимание внутренних механизмов работы модели является необходимым условием для разработки более эффективных стратегий ее улучшения, которые могут включать модификацию архитектуры, применение более совершенных алгоритмов обучения или разработку более качественных методов представления входных данных
false
true
false
17,862
2026-02-24T14:08:44.693000Z
2026-02-24T14:08:44.693000Z
Lec.
Такой анализ позволит выявить потенциальные архитектурные ограничения, неэффективные алгоритмические решения или ошибки в реализации, которые могут препятствовать достижению желаемого уровня производительности
false
true
false
17,861
2026-02-24T14:08:42.038000Z
2026-02-24T14:08:42.038000Z
Lec.
На основании результатов проведенных экспериментов был сделан вывод о том, что для достижения значительного улучшения производительности модели Multi_Agent_Intersection необходимо провести более глубокий и всесторонний анализ ее исходного кода и заложенных алгоритмов
false
true
false
17,860
2026-02-24T14:08:38.858000Z
2026-02-24T14:08:38.858000Z
Lec.
Данные результаты свидетельствуют о том, что простое увеличение объема данных и продолжительности обучения без учета других факторов (таких как архитектура модели или качество данных) может быть недостаточным для существенного повышения производительности
false
true
false
17,859
2026-02-24T14:08:36Z
2026-02-24T14:08:36Z
Lec.
В некоторых случаях увеличение количества эпох приводило к признакам переобучения, когда модель начинала демонстрировать хорошие результаты на обучающем наборе данных, но теряла способность к обобщению на новых, ранее не виданных данных
false
true
false
17,858
2026-02-24T14:08:33.140000Z
2026-02-24T14:08:33.140000Z
Lec.
Это может указывать на то, что для решения данных проблем требуются более существенные изменения в архитектуре модели, алгоритмах обучения или способе представления входных данных, а не просто увеличение объема данных и времени обучения
false
true
false
17,857
2026-02-24T14:08:30.528000Z
2026-02-24T14:08:30.528000Z
Lec.
Однако, несмотря на эти изменения, существенного улучшения в разрешении указанных проблем (столкновения и некорректные повороты) не было зафиксировано
false
true
false
17,856
2026-02-24T14:08:28.032000Z
2026-02-24T14:08:28.032000Z
Lec.
Предполагалось, что это позволит модели более полно оптимизировать свои параметры и повысить точность прогнозирования траекторий
false
true
false
17,855
2026-02-24T14:08:24.979000Z
2026-02-24T14:08:24.979000Z
Lec.
Кроме того, была увеличена продолжительность обучения модели путем увеличения количества эпох с 50 до 500
false
true
false
17,854
2026-02-24T14:08:21.913000Z
2026-02-24T14:08:21.913000Z
Lec.
Основной целью увеличения данных было устранение проблем, связанных со столкновениями на перекрестках и некорректным прохождением поворотов (когда транспортные средства начинали поворот слишком рано и врезались в края дороги)
false
true
false
17,853
2026-02-24T14:08:19.071000Z
2026-02-24T14:08:19.071000Z
Lec.
Предполагалось, что это позволит модели лучше изучить долгосрочные зависимости в поведении транспортных средств и улучшить ее способность справляться со сложными ситуациями на перекрестках
false
true
false
17,852
2026-02-24T14:08:16.041000Z
2026-02-24T14:08:16.041000Z
Lec.
В частности, объем данных был увеличен за счет увеличения времени генерируемых сценариев с 1000 до 3000 секунд
false
true
false
17,851
2026-02-24T14:08:13.205000Z
2026-02-24T14:08:13.205000Z
Lec.
Однако, несмотря на проведение экспериментов с увеличенным объемом сгенерированных данных (в рамках доступных вычислительных ресурсов) и увеличенным количеством эпох обучения, значительного улучшения качества модели не наблюдалось
false
true
false
17,850
2026-02-24T14:08:10.318000Z
2026-02-24T14:08:10.318000Z
Lec.
Предполагалось, что больший объем данных позволит модели лучше изучить сложные паттерны взаимодействия агентов, а большее количество эпох позволит более полно оптимизировать веса модели
false
true
false
17,849
2026-02-24T14:08:07.431000Z
2026-02-24T14:08:07.431000Z
Lec.
На следующем этапе исследования была выдвинута гипотеза о том, что увеличение объема и разнообразия обучающих данных, а также увеличение продолжительности процесса обучения (количества эпох) могут положительно сказаться на способности модели к обобщению и, следовательно, на ее производительности
false
true
false
17,848
2026-02-24T14:08:04.567000Z
2026-02-24T14:08:04.567000Z
Lec.
Рис. 2 – Моделируемый перекресток
false
true
false
17,847
2026-02-24T14:08:01.617000Z
2026-02-24T14:08:01.617000Z
Lec.
Полученные результаты указывают на то, что проблема низкой производительности модели может лежать не столько в конкретных значениях параметров, сколько в более фундаментальных аспектах, таких как структура модели, качество входных данных или выбранный алгоритм обучения
false
true
false
17,846
2026-02-24T14:07:58.808000Z
2026-02-24T14:07:58.808000Z
Lec.
Несмотря на исследование различных комбинаций и диапазонов значений указанных параметров, существенного прогресса в улучшении целевых метрик зафиксировано не было
false
true
false
17,845
2026-02-24T14:07:55.938000Z
2026-02-24T14:07:55.938000Z
Lec.
В ходе экспериментов варьировались все параметры, используемые для генерации данных, их обработке и обучении модели
false
true
false
17,844
2026-02-24T14:07:53.103000Z
2026-02-24T14:07:53.103000Z
Lec.
Целью данного этапа являлось выявление оптимальных значений параметров, которые могли бы привести к улучшению ключевых показателей производительности, таких как снижение количества столкновений, увеличение средней скорости движения агентов и повышение общей эффективности трафика на моделируемом перекрестке (рис. 2)
false
true
false
17,843
2026-02-24T14:07:50.096000Z
2026-02-24T14:07:50.096000Z
Lec.
В рамках исследования, направленного на повышение эффективности модели Multi_Agent_Intersection, был выполнен комплекс экспериментов по настройке ее параметров
false
true
false
17,842
2026-02-24T14:07:47.352000Z
2026-02-24T14:07:47.352000Z
Lec.
Одна эпоха представляет собой полный проход по всему обучающему набору данных;. exp_id: Уникальный идентификатор эксперимента, который используется для создания папки, в которой будут сохранены результаты обучения (веса модели, логи обучения и другие артефакты);. batch_size: Количество обучающих примеров (сцен движения), которые обрабатываются моделью за одну итерацию обучения (шаг градиентного спуска)
false
true
false
17,841
2026-02-24T14:07:44.196000Z
2026-02-24T14:07:44.196000Z
Lec.
Тестовый набор данных используется для оценки обобщающей способности модели и контроля за процессом обучения;. epoch: Общее количество эпох обучения
false
true
false
17,840
2026-02-24T14:07:41.064000Z
2026-02-24T14:07:41.064000Z
Lec.
Основные параметры:. train_folder: Путь к директории, содержащей обработанные данные для обучения модели (файлы .pkl);. val_folder: Путь к директории, содержащей обработанные данные для валидации модели (файлы .pkl)
false
true
false
17,839
2026-02-24T14:07:38.380000Z
2026-02-24T14:07:38.380000Z
Lec.
Обучение модели осуществляется на предварительно обработанных данных, сохраненных в формате .pkl
false
true
false
17,838
2026-02-24T14:07:34.740000Z
2026-02-24T14:07:34.740000Z
Lec.
Данный скрипт предназначен для обучения модели, основанной на архитектуре графовой нейронной сети, которая принимает на вход текущее состояние транспортных средств и их взаимодействия и прогнозирует их будущие траектории
false
true
false
17,837
2026-02-24T14:07:31.408000Z
2026-02-24T14:07:31.408000Z
Lec.
Для выполнения данного этапа используется скрипт train_gnn.py
false
true
false
17,836
2026-02-24T14:07:28.318000Z
2026-02-24T14:07:28.318000Z
Lec.
Заключительным этапом является обучение графовой нейронной сети (GNN) для прогнозирования будущих траекторий транспортных средств на 30 временных шагов вперед
false
true
false
17,835
2026-02-24T14:07:25.145000Z
2026-02-24T14:07:25.145000Z
Lec.
Обучение модели GNN
false
false
false
17,834
2026-02-24T14:07:22.426000Z
2026-02-24T14:07:22.426000Z
Lec.
Увеличение данного параметра способствует разнообразию обучающего набора данных;. processes: Количество параллельных процессов, используемых для обработки данных. 3
false
true
false
17,833
2026-02-24T14:07:18.929000Z
2026-02-24T14:07:18.929000Z
Lec.
Основные параметры:. csv_folder: Путь к директории, содержащей сгенерированные .csv файлы с сырыми данными о траекториях;. pkl_folder: Путь к директории, в которую будут сохранены обработанные файлы данных в формате .pkl, пригодном для обучения модели;. num_mpc_aug: Количество аугментаций, применяемых к каждой траектории с использованием MPC
false
false
false
17,832
2026-02-24T14:07:15.969000Z
2026-02-24T14:07:15.969000Z
Lec.
Данная техника направлена на повышение робастности обученной модели к вариациям в поведении транспортных средств
false
true
false
17,831
2026-02-24T14:07:13.294000Z
2026-02-24T14:07:13.294000Z
Lec.
Дополнительно, скрипт реализует аугментацию данных путем добавления случайных шумов к управляющим сигналам
false
true
false
17,830
2026-02-24T14:07:09.813000Z
2026-02-24T14:07:09.813000Z
Lec.
Полученные управляющие сигналы служат основой для обучения модели прогнозированию оптимальных траекторий
false
true
false
17,829
2026-02-24T14:07:06.996000Z
2026-02-24T14:07:06.996000Z
Lec.
MPC используется для решения задачи оптимизации траектории с учетом динамических ограничений транспортного средства
false
true
false
17,828
2026-02-24T14:07:04.141000Z
2026-02-24T14:07:04.141000Z
Lec.
Ключевым аспектом предобработки является применение принципов Model Predictive Control (MPC) для расчета управляющих сигналов (ускорение, угол поворота), необходимых для достижения целевой траектории каждого транспортного средства
false
true
false
17,827
2026-02-24T14:07:01.307000Z
2026-02-24T14:07:01.307000Z
Lec.
Процесс обработки включает фильтрацию нерелевантных или некорректных траекторий, а также кодирование информации о траекториях в представление, максимально соответствующее входным данным модели
false
true
false
17,826
2026-02-24T14:06:58.765000Z
2026-02-24T14:06:58.765000Z
Lec.
Данный скрипт осуществляет очистку и преобразование сырых данных о траекториях в формат, пригодный для обучения модели
false
true
false
17,825
2026-02-24T14:06:56.048000Z
2026-02-24T14:06:56.048000Z
Lec.
Для выполнения данного этапа используется скрипт preprocess.py
false
true
false
17,824
2026-02-24T14:06:52.865000Z
2026-02-24T14:06:52.865000Z
Lec.
Вторым этапом является предобработка сгенерированных сырых данных с целью повышения устойчивости будущей модели к отклонениям от идеальных траекторий
false
true
false
17,823
2026-02-24T14:06:50.250000Z
2026-02-24T14:06:50.250000Z
Lec.
Предварительная обработка данных
false
true
false
17,822
2026-02-24T14:06:47.829000Z
2026-02-24T14:06:47.829000Z
Lec.
Данный параметр регулирует интенсивность транспортного потока; более высокие значения приводят к созданию более плотного трафика;. split: Префикс для названия генерируемого набора данных (например, train, val);. random_seed: Значение случайного зерна для обеспечения воспроизводимости результатов генерации данных. 2
false
true
false
17,821
2026-02-24T14:06:44.955000Z
2026-02-24T14:06:44.955000Z
Lec.
Учитывая, что частота кадров в файлах FCD (Floating Car Data) устанавливается на этапе их генерации (стандартное значение составляет 0.1 секунды), данный параметр определяет общее количество временных шагов в каждом сценарии;. create_new_vehicle_prob: Вероятность появления нового транспортного средства в начальной точке симуляции на каждом временном шаге
false
true
false
17,820
2026-02-24T14:06:41.692000Z
2026-02-24T14:06:41.692000Z
Lec.
Основные параметры:. num_seconds: Длительность генерируемого сценария в секундах
false
true
false
17,819
2026-02-24T14:06:38.506000Z
2026-02-24T14:06:38.506000Z
Lec.
Выходные данные сохраняются в формате .csv
false
true
false
17,818
2026-02-24T14:06:35.709000Z
2026-02-24T14:06:35.709000Z
Lec.
Каждый фрагмент представляет собой последовательность состояний транспортных средств на протяжении заданного временного интервала
false
true
false
17,817
2026-02-24T14:06:33.201000Z
2026-02-24T14:06:33.201000Z
Lec.
Данный скрипт осуществляет генерацию набора данных, состоящего из отдельных сценариев движения транспортных средств
false
true
false
17,816
2026-02-24T14:06:30.778000Z
2026-02-24T14:06:30.778000Z
Lec.
Для автоматизации этого процесса используется скрипт generate_csv.py
false
true
false
17,815
2026-02-24T14:06:28.344000Z
2026-02-24T14:06:28.344000Z
Lec.
Первым этапом является создание обучающего и тестового наборов данных посредством симуляции дорожного движения в программном комплексе SUMO
false
true
false
17,814
2026-02-24T14:06:25.728000Z
2026-02-24T14:06:25.728000Z
Lec.
Генерация исходных данных
false
true
false
17,813
2026-02-24T14:06:23.433000Z
2026-02-24T14:06:23.433000Z
Lec.
Для обучения модели, способной прогнозировать будущие траектории транспортных средств, необходимо последовательно выполнить генерацию, предварительную обработку данных и, непосредственно, обучение модели. 1
false
true
false
17,812
2026-02-24T14:06:20.704000Z
2026-02-24T14:06:20.704000Z
Lec.
CARLA: Интеграция с симулятором CARLA для визуализации и тестирования
false
true
false
17,811
2026-02-24T14:06:17.883000Z
2026-02-24T14:06:17.883000Z
Lec.
MPC: Механизм аугментации данных и коррекции траекторий в реальном времени;
false
true
false
17,810
2026-02-24T14:06:14.856000Z
2026-02-24T14:06:14.856000Z
Lec.
GNN: Модель для предсказания траекторий автомобилей с учётом их взаимодействий;
false
true
false
17,809
2026-02-24T14:06:11.747000Z
2026-02-24T14:06:11.747000Z
Lec.
SUMO: Симулятор трафика для генерации реалистичных данных о движении;
false
true
false
17,808
2026-02-24T14:06:08.724000Z
2026-02-24T14:06:08.724000Z
Lec.
Архитектура системы основана на следующих компонентах:
false
true
false