Fugu-MT 論文翻訳(概要): Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction

論文の概要: Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction

arxiv url: http://arxiv.org/abs/2004.03053v3
Date: Mon, 14 Nov 2022 03:27:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 00:52:31.740559
Title: Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction
Title（参考訳）: 対話型確率予測のためのシナリオ変換可能なセマンティックグラフ推論
Authors: Yeping Hu, Wei Zhan, and Masayoshi Tomizuka
Abstract要約: 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。
参考スコア（独自算出の注目度）: 29.623692599892365
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately predicting the possible behaviors of traffic participants is an essential capability for autonomous vehicles. Since autonomous vehicles need to navigate in dynamically changing environments, they are expected to make accurate predictions regardless of where they are and what driving circumstances they encountered. Several methodologies have been proposed to solve prediction problems under different traffic situations. These works usually combine agent trajectories with either color-coded or vectorized high definition (HD) map as input representations and encode this information for behavior prediction tasks. However, not all the information is relevant in the scene for the forecasting and such irrelevant information may be even distracting to the forecasting in certain situations. Therefore, in this paper, we propose a novel generic representation for various driving environments by taking the advantage of semantics and domain knowledge. Using semantics enables situations to be modeled in a uniform way and applying domain knowledge filters out unrelated elements to target vehicle's future behaviors. We then propose a general semantic behavior prediction framework to effectively utilize these representations by formulating them into spatial-temporal semantic graphs and reasoning internal relations among these graphs. We theoretically and empirically validate the proposed framework under highly interactive and complex scenarios, demonstrating that our method not only achieves state-of-the-art performance, but also processes desirable zero-shot transferability.
Abstract（参考訳）: 交通参加者の行動の正確な予測は、自動運転車にとって不可欠な能力である。自動運転車は動的に変化する環境をナビゲートする必要があるため、どこにいても、どのような状況に遭遇したかを正確に予測することが期待されている。異なる交通状況下で予測問題を解く手法が提案されている。これらの作業は通常、エージェントの軌跡を入力表現として色付きまたはベクトル化された高定義(HD)マップと組み合わせ、その情報を行動予測タスクにエンコードする。しかし、すべての情報が現場の予測に関係しているわけではなく、そのような無関係な情報が特定の状況で予測に気を散らすこともある。そこで本稿では, 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。セマンティクスを使用することで、状況を一様にモデル化し、対象車両の将来の振る舞いに無関係な要素をフィルタすることが可能になる。次に、これらの表現を空間的意味グラフに定式化し、それらのグラフの内部関係を推論することで効果的に活用するための一般的な意味行動予測フレームワークを提案する。我々は,高度にインタラクティブで複雑なシナリオで提案手法を理論的・実証的に検証し,提案手法が最先端性能を実現するだけでなく,ゼロショット転送性が要求されるプロセスも実現できることを実証した。

関連論文リスト

AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文参考訳（メタデータ） (2024-03-20T06:22:37Z)
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)
Towards Explainable Motion Prediction using Heterogeneous Graph Representations [3.675875935838632]
動き予測システムは、自動運転車が安全かつ効率的な計画を実行できるようにする交通シナリオの将来の挙動を捉えることを目的としている。 GNNベースのアプローチは、これらの相互作用を自然にモデル化するのに適しているため、近年注目を集めている。本研究では,異なるアプローチを用いて動作予測システムの説明可能性を向上させることを目的とする。
論文参考訳（メタデータ） (2022-12-07T17:43:42Z)
LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文参考訳（メタデータ） (2022-10-03T22:04:00Z)
RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文参考訳（メタデータ） (2022-07-16T12:40:17Z)
Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文参考訳（メタデータ） (2022-04-28T07:37:21Z)
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)
Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
論文参考訳（メタデータ） (2020-09-27T18:20:03Z)
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)
Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
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。
論文参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。