論文の概要: Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud
Forecasting for Sequential Pose Forecasting
- arxiv url: http://arxiv.org/abs/2003.08376v3
- Date: Sat, 7 Nov 2020 02:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 09:33:07.533145
- Title: Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud
Forecasting for Sequential Pose Forecasting
- Title(参考訳): spf2によるポーズ予測パイプラインの反転:シーケンシャルなポーズ予測のための逐次的ポイントクラウド予測
- Authors: Xinshuo Weng and Jianren Wang and Sergey Levine and Kris Kitani and
Nicholas Rhinehart
- Abstract要約: 自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。
ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。
本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。
これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
- 参考スコア(独自算出の注目度): 106.3504366501894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many autonomous systems forecast aspects of the future in order to aid
decision-making. For example, self-driving vehicles and robotic manipulation
systems often forecast future object poses by first detecting and tracking
objects. However, this detect-then-forecast pipeline is expensive to scale, as
pose forecasting algorithms typically require labeled sequences of object
poses, which are costly to obtain in 3D space. Can we scale performance without
requiring additional labels? We hypothesize yes, and propose inverting the
detect-then-forecast pipeline. Instead of detecting, tracking and then
forecasting the objects, we propose to first forecast 3D sensor data (e.g.,
point clouds with $100$k points) and then detect/track objects on the predicted
point cloud sequences to obtain future poses, i.e., a forecast-then-detect
pipeline. This inversion makes it less expensive to scale pose forecasting, as
the sensor data forecasting task requires no labels. Part of this work's focus
is on the challenging first step -- Sequential Pointcloud Forecasting (SPF),
for which we also propose an effective approach, SPFNet. To compare our
forecast-then-detect pipeline relative to the detect-then-forecast pipeline, we
propose an evaluation procedure and two metrics. Through experiments on a
robotic manipulation dataset and two driving datasets, we show that SPFNet is
effective for the SPF task, our forecast-then-detect pipeline outperforms the
detect-then-forecast approaches to which we compared, and that pose forecasting
performance improves with the addition of unlabeled data.
- Abstract(参考訳): 多くの自律システムは意思決定を支援するために未来を予測している。
例えば、自動運転車とロボット操作システムは、最初に物体を検出し追跡することで、将来の物体のポーズを予測することが多い。
ポーズ予測アルゴリズムは一般に3次元空間で取得するのにコストがかかるオブジェクトポーズのラベル付きシーケンスを必要とする。
ラベルを追加せずにパフォーマンスをスケールできますか?
yes を仮定し, detection-then-forecast パイプラインの反転を提案する。
オブジェクトを検出し,追跡し,次に予測する代わりに,まず3Dセンサデータ(例えば100ドル相当の点雲)を予測し,予測された点雲列上の物体を検出し,追跡し,将来のポーズ,すなわち予測テーマ検出パイプラインを得る。
この反転は、センサデータ予測タスクにラベルを必要としないため、ポーズ予測をスケールするコストが低くなる。
この作業の焦点の一部は、挑戦的な第一歩であるSPF(Sequential Pointcloud Forecasting)に焦点を当てています。
予測・予測・検出パイプラインを検出・予測パイプラインと比較するために,評価手順と2つの指標を提案する。
ロボット操作データセットと2つの駆動データセットの実験により、SPFNetがSPFタスクに有効であること、予測-検出-検出パイプラインが比較した検出-予測-予測アプローチより優れていること、ラベルなしデータの追加により予測性能が向上すること、などが示されている。
関連論文リスト
- SPOT: Scalable 3D Pre-training via Occupancy Prediction for Autonomous
Driving [84.22159537581742]
職業予測は一般表現の学習に有望であることが示されている。
SPOTは、ポイントクラウド拡張にビーム再サンプリング技術を使用し、クラスバランス戦略を適用している。
論文 参考訳(メタデータ) (2023-09-19T11:13:01Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - Predict to Detect: Prediction-guided 3D Object Detection using
Sequential Images [15.51093009875854]
本稿では,予測スキームを検出フレームワークに統合した新しい3Dオブジェクト検出モデルP2Dを提案する。
P2Dは、過去のフレームのみを用いて現在のフレーム内のオブジェクト情報を予測し、時間的動きの特徴を学習する。
次に,予測対象情報に基づいて,バードアイビュー(Bird's-Eye-View,BEV)特徴を注意深く活用する時間的特徴集約手法を提案する。
論文 参考訳(メタデータ) (2023-06-14T14:22:56Z) - Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。
本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。
センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
論文 参考訳(メタデータ) (2023-02-25T18:12:37Z) - Adapting to noise distribution shifts in flow-based gravitational-wave
inference [59.040209568168436]
本研究では, 条件付きデータの流れを発生させることにより, 償却推論の方法を示す。
我々は、この手法が重力波の低遅延解析にディープラーニング技術を利用するための重要な要素になることを期待している。
論文 参考訳(メタデータ) (2022-11-16T09:56:23Z) - Exploring Point-BEV Fusion for 3D Point Cloud Object Tracking with
Transformer [62.68401838976208]
3Dオブジェクトトラッキングは、オブジェクトテンプレートが与えられた連続したフレームにおけるオブジェクトの位置と向きを予測することを目的としている。
トランスの成功に触発されたPTTR(Point Tracking TRansformer)を提案する。
論文 参考訳(メタデータ) (2022-08-10T08:36:46Z) - Forecasting from LiDAR via Future Object Detection [47.11167997187244]
そこで本研究では,センサの生計測に基づく検出と動作予測のためのエンドツーエンドアプローチを提案する。
未来と現在の場所を多対一でリンクすることで、我々のアプローチは複数の未来を推論することができる。
論文 参考訳(メタデータ) (2022-03-30T13:40:28Z) - FlashP: An Analytical Pipeline for Real-time Forecasting of Time-Series
Relational Data [31.29499654765994]
リアルタイム予測は、2つのステップで実行できます。まず、集中すべきデータの一部と、データをスライス、ダイシング、集約することで予測される測定値を指定します。
自然なアイデアは、サンプリングを使用して、予測モデルを訓練するために入力としてリアルタイムに近似集計を取得することです。
GSWサンプリングと呼ばれる新しいサンプリングスキームを導入し、GSWサンプルを用いた集計を推定するための誤差境界を分析します。
論文 参考訳(メタデータ) (2021-01-09T06:23:13Z) - STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and
Trajectory Prediction [24.855059537779294]
本稿では、新しいエンドツーエンド2段階ネットワーク:spatio--Interactive Network(STINet)を提案する。
歩行者の3次元形状に加えて,歩行者ごとの時間情報をモデル化する。
提案手法は,1段目における現在位置と過去の位置の両方を予測し,各歩行者をフレーム間でリンクできるようにする。
論文 参考訳(メタデータ) (2020-05-08T18:43:01Z)
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。