論文の概要: Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans

• arxiv url: http://arxiv.org/abs/2001.00735v2
• Date: Thu, 29 Apr 2021 17:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 18:05:28.510329
• Title: Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans
• Title（参考訳）: 格子計画に基づく未知環境における軌道予測
• Authors: Nachiket Deo and Mohan M. Trivedi
• Abstract要約: 軌跡予測はシーン構造の大きな変化と将来の軌跡のマルチモーダル分布のために難しい問題である。 最大エントロピー逆強化学習(MaxEnt IRL)を用いて学習したグリッドベースの政策から得られた計画の軌道予測条件を提案する。 我々は,MaxEntポリシからサンプリングした状態列に条件付き連続的な値付き将来の軌道を生成する,注目に基づく軌道生成器を提案する。
• 参考スコア（独自算出の注目度）: 6.8024015458909615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of forecasting pedestrian and vehicle trajectories in unknown environments, conditioned on their past motion and scene structure. Trajectory forecasting is a challenging problem due to the large variation in scene structure and the multimodal distribution of future trajectories. Unlike prior approaches that directly learn one-to-many mappings from observed context to multiple future trajectories, we propose to condition trajectory forecasts on plans sampled from a grid based policy learned using maximum entropy inverse reinforcement learning (MaxEnt IRL). We reformulate MaxEnt IRL to allow the policy to jointly infer plausible agent goals, and paths to those goals on a coarse 2-D grid defined over the scene. We propose an attention based trajectory generator that generates continuous valued future trajectories conditioned on state sequences sampled from the MaxEnt policy. Quantitative and qualitative evaluation on the publicly available Stanford drone and NuScenes datasets shows that our model generates trajectories that are diverse, representing the multimodal predictive distribution, and precise, conforming to the underlying scene structure over long prediction horizons.
• Abstract（参考訳）: 歩行者や車両の走行経路を未知の環境下で予測する際の問題点を,過去の動きとシーン構造に基づいて解決する。 軌跡予測はシーン構造の大きな変化と将来の軌跡のマルチモーダル分布のために難しい問題である。 本研究では, 最大エントロピー逆強化学習 (MaxEnt IRL) を用いて学習したグリッドベース政策を用いて, 計画の1対多マッピングを直接学習する従来の手法と異なり, 計画の軌道予測条件を提案する。 我々は,最大 irl を再構成して,エージェントの目標を協調的に推測し,それらの目標を現場上で定義された粗い 2 次元グリッド上で達成できるようにする。 そこで本研究では,maxent policy からサンプリングされた状態系列に基づく連続的値付き未来軌跡を生成する注意に基づく軌道生成器を提案する。 スタンフォードのドローンおよびNuScenesデータセットの定量的および定性的な評価は、我々のモデルが多モードの予測分布を表現し、より正確に、長い予測地平線上のシーン構造に従って、多様な軌道を生成することを示している。

関連論文リスト

• Graph-based Spatial Transformer with Memory Replay for Multi-future Pedestrian Trajectory Prediction [13.466380808630188]
  歴史的軌跡に基づく複数経路の予測モデルを提案する。 提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。 実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-06-12T10:25:12Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents [10.869902339190949]
  本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。 LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。 公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2021-04-01T04:33:36Z)
• Multi-modal anticipation of stochastic trajectories in a dynamic environment with Conditional Variational Autoencoders [0.12183405753834559]
  近くの車両の短期的な動きは、厳密に単一の軌道のセットに限定されません。 本稿では, エージェントの過去の動作に条件付き条件付きオートエンコーダ(C-VAE)と, カプセルネットワーク(Capsule Network, CapsNet)で符号化されたシーンを用いて, 問題のマルチモーダル性を考慮することを提案する。 さらに,N個のサンプルに対して最小値を用いることの利点を実証し,最も近いサンプルに対する損失を最小化しようと試み,より多様な予測を導いた。
  論文  参考訳（メタデータ） (2021-03-05T19:38:26Z)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Diverse and Admissible Trajectory Forecasting through Multimodal Context Understanding [46.52703817997932]
  自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。 マルチモーダル世界から複数の入力信号を合成するモデルを提案する。 従来の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-06T13:59:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。