論文の概要: Path Planning Using Probability Tensor Flows

• arxiv url: http://arxiv.org/abs/2003.02774v1
• Date: Thu, 5 Mar 2020 17:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:14:59.526623
• Title: Path Planning Using Probability Tensor Flows
• Title（参考訳）: 確率テンソル流れを用いた経路計画
• Authors: Francesco A. N. Palmieri and Krishna R. Pattipati and Giovanni Fioretti and Giovanni Di Gennaro and Amedeo Buonanno
• Abstract要約: 本稿では,潜在的に複雑なシナリオにおけるモデルエージェントの動作に確率伝搬を適用した。 後向きの流れは、エージェントの振る舞いに貴重なバックグラウンド情報を提供する。 出現する振る舞いは、非常に現実的で、このフレームワークを実環境に適用する大きな可能性を実証しています。
• 参考スコア（独自算出の注目度）: 1.491819755205193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probability models have been proposed in the literature to account for "intelligent" behavior in many contexts. In this paper, probability propagation is applied to model agent's motion in potentially complex scenarios that include goals and obstacles. The backward flow provides precious background information to the agent's behavior, viz., inferences coming from the future determine the agent's actions. Probability tensors are layered in time in both directions in a manner similar to convolutional neural networks. The discussion is carried out with reference to a set of simulated grids where, despite the apparent task complexity, a solution, if feasible, is always found. The original model proposed by Attias has been extended to include non-absorbing obstacles, multiple goals and multiple agents. The emerging behaviors are very realistic and demonstrate great potentials of the application of this framework to real environments.
• Abstract（参考訳）: 確率モデルは、多くの文脈で「知的」な振る舞いを考慮に入れるために文献で提案されている。 本稿では,目標や障害物を含む潜在的に複雑なシナリオにおいて,確率伝搬をモデルエージェントの動きに適用する。 逆流はエージェントの行動、すなわち将来から来る推論に対して貴重な背景情報を提供し、エージェントの行動を決定する。 確率テンソルは畳み込みニューラルネットワークに似た方法で両方向に時間的に階層化される。 この議論は、明らかにタスクの複雑さにもかかわらず、解決可能であれば常に見つかるようなシミュレーショングリッドの集合を参照して行われる。 Attiasによって提案された最初のモデルは、非吸収障害、複数の目標、複数のエージェントを含むように拡張されている。 出現する行動は非常に現実的であり、このフレームワークを実環境に適用する大きな可能性を示している。

関連論文リスト

• Traj-Explainer: An Explainable and Robust Multi-modal Trajectory Prediction Approach [12.60529039445456]
  複雑な交通環境のナビゲーションはインテリジェントな技術の進歩によって大幅に向上し、自動車の正確な環境認識と軌道予測を可能にした。 既存の研究は、しばしばシナリオエージェントの合同推論を無視し、軌道予測モデルにおける解釈可能性に欠ける。 本研究では, 説明可能な拡散条件に基づく多モード軌道予測トラj-Explainerという, 説明可能性指向の軌道予測モデルが設計されている。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Hierarchical Imitation Learning for Stochastic Environments [31.64016324441371]
  分布的リアリズムを改善する既存の方法は通常階層的なポリシーに依存している。 環境条件下での対人訓練に伴う変化を解消するロバスト型条件付け(RTC)を提案する。 大規模なOpen Motionデータセットを含む2つの領域の実験では、最先端のベースラインと比較して、タスクパフォーマンスを維持したり改善したりしながら、分散リアリズムが改善された。
  論文  参考訳（メタデータ） (2023-09-25T10:10:34Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Exploring Social Posterior Collapse in Variational Autoencoder for Interaction Modeling [26.01824780050843]
  変分オートエンコーダ(VAE)は多エージェント相互作用モデリングに広く応用されている。 VAEは、エージェントの将来の軌跡を予測する際に、歴史的社会的文脈を無視しやすい。 本稿では,ソーシャルな後部崩壊を検知する新しいスパースグラフアテンションメッセージパッシング層を提案する。
  論文  参考訳（メタデータ） (2021-12-01T06:20:58Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• RegFlow: Probabilistic Flow-based Regression for Future Prediction [21.56753543722155]
  我々は,モーダリティや基礎となる確率分布に関する制約がほとんどなく,将来の予測をモデル化できる,頑健で柔軟な確率確率フレームワークを導入する。 RegFlowと呼ばれる結果の方法は、いくつかのベンチマークデータセットで最先端の結果を達成し、競合するアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-11-30T08:45:37Z)

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。