論文の概要: Cooperative Observation of Targets moving over a Planar Graph with
Prediction of Positions
- arxiv url: http://arxiv.org/abs/2002.05294v1
- Date: Thu, 13 Feb 2020 00:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 13:39:36.761319
- Title: Cooperative Observation of Targets moving over a Planar Graph with
Prediction of Positions
- Title（参考訳）: 平面グラフ上を移動する目標の協調観測と位置予測
- Authors: Jos\'e E. B. Maia and Levi P. Figueredo
- Abstract要約: ターゲットとオブザーバの2種類のエージェントを持つチームについて考えてみましょう。
オブザーバー(Observer)は、地上を移動する目標を観測する空中UAVである。
この記事では、CTO問題の新しい設定において、以前のバージョンを上回る修正されたヒルクライミングアルゴリズムを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Consider a team with two types of agents: targets and observers. Observers
are aerial UAVs that observe targets moving on land with their movements
restricted to the paths that form a planar graph on the surface. Observers have
limited range of vision and targets do not avoid observers. The objective is to
maximize the integral of the number of targets observed in the observation
interval. Taking advantage of the fact that the future positions of targets in
the short term are predictable, we show in this article a modified hill
climbing algorithm that surpasses its previous versions in this new setting of
the CTO problem.
- Abstract（参考訳）: ターゲットとオブザーバーという2種類のエージェントを持つチームを考える。
オブザーバー(Observer)は、地表の平面グラフを形成する経路に制限された移動で陸地を移動する目標を観測する空中UAVである。
オブザーバは限られた視野を持ち、ターゲットはオブザーバを避けない。
目的は観測区間で観測された目標数の積分を最大化することである。
短期的な目標の将来の位置が予測可能であるという事実を活かして、今回の記事では、CTO問題の新しい設定において、以前のバージョンを上回る修正された登山アルゴリズムを示す。
関連論文リスト
- DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
提案手法は,2つのタスクの結合を軌道修正問題として定式化する。
この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。
実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
論文 参考訳（メタデータ） (2024-06-06T18:12:04Z) - TAFormer: A Unified Target-Aware Transformer for Video and Motion Joint Prediction in Aerial Scenes [14.924741503611749]
本研究では,ターゲット認識空中映像予測(Target-Aware Aerial Video Prediction)と呼ばれる新しいタスクを導入する。
本研究では,空間的静的な注意と時間的ダイナミックな注意にビデオダイナミクスの学習を分離し,シーンの外観と動きを効果的にモデル化する時空間的注意(STA)を紹介した。
ぼかし予測における目標の識別の難しさを軽減するため,ターゲット感性ガウス損失(TSGL)を導入し,目標の位置と内容の両方に対するモデルの感度を高める。
論文 参考訳（メタデータ） (2024-03-27T04:03:55Z) - Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。
本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。
実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
論文 参考訳（メタデータ） (2022-11-20T19:25:15Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳（メタデータ） (2022-04-14T17:59:32Z) - Hierarchical Object-to-Zone Graph for Object Navigation [43.558927774552295]
目に見えない環境では、対象のオブジェクトが自我中心のビューにない場合、エージェントは賢明な決定を下すことができないかもしれない。
エージェントを粗大に誘導する階層的オブジェクト・ツー・ゾーングラフ(HOZ)を提案する。
オンライン学習機構は、新しい環境におけるリアルタイム観測に応じてHOZを更新するためにも提案されている。
論文 参考訳（メタデータ） (2021-09-05T13:02:17Z) - Panoptic Segmentation Forecasting [71.75275164959953]
我々の目標は、最近の観測結果から近い将来の予測を行うことです。
この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。
そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
論文 参考訳（メタデータ） (2021-04-08T17:59:16Z) - AVGCN: Trajectory Prediction using Graph Convolutional Networks Guided
by Human Attention [11.342351420439725]
本稿では,人間の注意に基づくグラフ畳み込みネットワーク(GCN)を用いた軌道予測のための新しい手法であるAVGCNを提案する。
本手法は,いくつかの軌道予測ベンチマークにおいて最先端性能を達成し,検討したベンチマークにおいて平均予測誤差が最も低い。
論文 参考訳（メタデータ） (2021-01-14T16:00:31Z) - 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) - Long-Horizon Visual Planning with Goal-Conditioned Hierarchical
Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。
視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。
本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-23T17:58:56Z)
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。