論文の概要: Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network
- arxiv url: http://arxiv.org/abs/2002.06241v1
- Date: Fri, 14 Feb 2020 20:11:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:40:40.621957
- Title: Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network
- Title（参考訳）: Social-WaGDAT: Wasserstein Graph Double-Attention Networkによる対話型軌道予測
- Authors: Jiachen Li, Hengbo Ma, Zhihao Zhang, Masayoshi Tomizuka
- Abstract要約: 本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
- 参考スコア（独自算出の注目度）: 29.289670231364788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective understanding of the environment and accurate trajectory prediction
of surrounding dynamic obstacles are indispensable for intelligent mobile
systems (like autonomous vehicles and social robots) to achieve safe and
high-quality planning when they navigate in highly interactive and crowded
scenarios. Due to the existence of frequent interactions and uncertainty in the
scene evolution, it is desired for the prediction system to enable relational
reasoning on different entities and provide a distribution of future
trajectories for each agent. In this paper, we propose a generic generative
neural system (called Social-WaGDAT) for multi-agent trajectory prediction,
which makes a step forward to explicit interaction modeling by incorporating
relational inductive biases with a dynamic graph representation and leverages
both trajectory and scene context information. We also employ an efficient
kinematic constraint layer applied to vehicle trajectory prediction which not
only ensures physical feasibility but also enhances model performance. The
proposed system is evaluated on three public benchmark datasets for trajectory
prediction, where the agents cover pedestrians, cyclists and on-road vehicles.
The experimental results demonstrate that our model achieves better performance
than various baseline approaches in terms of prediction accuracy.
- Abstract（参考訳）: 環境の効果的な理解と周囲の動的障害物の正確な軌道予測は、高度にインタラクティブで混み合ったシナリオをナビゲートする際に安全かつ高品質な計画を実現するために、インテリジェントなモバイルシステム(自動運転車やソーシャルロボットなど)にとって不可欠である。
シーン進化における頻繁な相互作用や不確実性のため,各エージェントに対して,異なるエンティティに対する関係推論を可能とし,将来的な軌跡の分布を予測システムに提供することが望まれる。
本稿では,関係帰納的バイアスを動的グラフ表現に組み込んで明示的なインタラクションモデリングへ一歩前進させ,軌跡情報とシーンコンテキスト情報の両方を活用するマルチエージェント軌道予測のためのジェネリック生成型ニューラルネットワーク(social-wagdat)を提案する。
また, 車両軌道予測に有効なキネマティック制約層を適用し, 物理的実現性を保証するだけでなく, モデル性能を向上させる。
提案システムは, 歩行者, 自転車, 路上車両を対象とする3つのベンチマークデータセットを用いて, 軌道予測を行う。
実験結果から,予測精度の点で,本モデルが様々なベースラインアプローチよりも優れた性能を示すことが示された。
関連論文リスト
- Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Interpretable Goal-Based model for Vehicle Trajectory Prediction in
Interactive Scenarios [4.1665957033942105]
自動車とその周囲の社会的相互作用は、自動運転における道路安全にとって重要である。
対話型環境における車両軌道予測のためのニューラルネットワークモデルを提案する。
我々は、InterActionデータセットを用いてモデルを実装し、評価し、提案したアーキテクチャの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-08T15:00:12Z) - Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。
既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。
本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
論文 参考訳（メタデータ） (2021-07-29T17:41:34Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - SCOUT: Socially-COnsistent and UndersTandable Graph Attention Network
for Trajectory Prediction of Vehicles and VRUs [0.0]
SCOUTは、グラフとしてシーンの柔軟で汎用的な表現を使用する新しい注意ベースのグラフニューラルネットワークです。
我々は3つの異なる注意メカニズムを探索し,鳥眼視と車載都市データを用いてそのスキームをテストする。
RounDデータセットの全く新しいシナリオでテストすることにより、モデルの柔軟性と転送性を評価します。
論文 参考訳（メタデータ） (2021-02-12T06:29:28Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware
Probabilistic Prediction [29.623692599892365]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。
本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
論文 参考訳（メタデータ） (2020-04-07T00:34:36Z) - Trajectron++: Dynamically-Feasible Trajectory Forecasting With
Heterogeneous Data [37.176411554794214]
人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。
我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。
実世界の軌道予測データセットにおいて,その性能を実証する。
論文 参考訳（メタデータ） (2020-01-09T16:47:17Z)
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。