論文の概要: TITAN: Future Forecast using Action Priors

• arxiv url: http://arxiv.org/abs/2003.13886v3
• Date: Thu, 6 Aug 2020 20:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:39:23.433804
• Title: TITAN: Future Forecast using Action Priors
• Title（参考訳）: TITAN:アクションプリミティブを用いた将来の予測
• Authors: Srikanth Malla and Behzad Dariush and Chiho Choi
• Abstract要約: 我々は,エージェントの将来の軌跡や未来の自我運動を予測するために,事前の位置,行動,文脈を組み込んだ新しいモデルであるTITANを紹介する。 提案モデルを評価するため,TITANデータセットに対して広範な実験を行い,ベースラインと最先端アルゴリズムに対する大幅な性能向上が示された。
• 参考スコア（独自算出の注目度）: 28.141205044214022
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider the problem of predicting the future trajectory of scene agents from egocentric views obtained from a moving platform. This problem is important in a variety of domains, particularly for autonomous systems making reactive or strategic decisions in navigation. In an attempt to address this problem, we introduce TITAN (Trajectory Inference using Targeted Action priors Network), a new model that incorporates prior positions, actions, and context to forecast future trajectory of agents and future ego-motion. In the absence of an appropriate dataset for this task, we created the TITAN dataset that consists of 700 labeled video-clips (with odometry) captured from a moving vehicle on highly interactive urban traffic scenes in Tokyo. Our dataset includes 50 labels including vehicle states and actions, pedestrian age groups, and targeted pedestrian action attributes that are organized hierarchically corresponding to atomic, simple/complex-contextual, transportive, and communicative actions. To evaluate our model, we conducted extensive experiments on the TITAN dataset, revealing significant performance improvement against baselines and state-of-the-art algorithms. We also report promising results from our Agent Importance Mechanism (AIM), a module which provides insight into assessment of perceived risk by calculating the relative influence of each agent on the future ego-trajectory. The dataset is available at https://usa.honda-ri.com/titan
• Abstract（参考訳）: 移動プラットフォームから得られた自我中心的な視点から,シーンエージェントの今後の軌道予測の問題を考える。 この問題は、様々な領域、特にナビゲーションにおいてリアクティブまたは戦略的決定を行う自律システムにおいて重要である。 この問題に対処するために,我々は,エージェントの位置,動作,コンテキストを組み込んだ新しいモデルであるtitan (trajectory inference using target action priors network)を導入する。 このタスクに適切なデータセットが存在しないため、東京の高度にインタラクティブな都市交通シーンで移動車から撮影した700個のラベル付きビデオクリップからなるTITANデータセットを作成しました。 私たちのデータセットには、車両の状態や行動、歩行者年齢グループ、ターゲットとなる歩行者行動属性を含む50のラベルが含まれています。 提案モデルを評価するため,TITANデータセットに対して広範な実験を行い,ベースラインと最先端アルゴリズムに対する大幅な性能向上を明らかにした。 また,エージェント・コンパタンス・メカニズム (AIM) の有望な成果を報告し,各エージェントの相対的影響を将来のエゴ軌道に求めることによって,認識リスクの評価を行うモジュールについて報告する。 データセットはhttps://usa.honda-ri.com/titanで利用可能である。

関連論文リスト

• 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)
• Vehicle Motion Forecasting using Prior Information and Semantic-assisted Occupancy Grid Maps [6.99274104609965]
  運動は、センサーデータの不確実性、未来の非決定論的性質、複雑な振る舞いによって、自動運転車にとって困難なタスクである。 本稿では,シーンを動的占有グリッドマップ(DOGM)として表現することで,この問題に対処する。 本研究では,車両の挙動を予測するための時間的および確率的アプローチを組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-08T14:49:44Z)
• FollowMe: Vehicle Behaviour Prediction in Autonomous Vehicle Settings [2.294014185517203]
  我々は、動きと振舞いの予測問題を提供する新しいデータセット、FollowMeデータセットを紹介した。 本稿では,FollowMe-STGCNNの設計上の利点について述べる。
  論文  参考訳（メタデータ） (2023-04-12T19:05:56Z)
• 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)
• Large Scale Interactive Motion Forecasting for Autonomous Driving : The Waymo Open Motion Dataset [84.3946567650148]
  10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。 高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。 シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T17:19:05Z)
• 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)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)
• 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。