論文の概要: Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization
- arxiv url: http://arxiv.org/abs/2004.06247v2
- Date: Fri, 12 Jun 2020 02:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 09:15:14.030294
- Title: Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization
- Title（参考訳）: GANと微分軌道ラスタ化を用いたバードアイビューモデルにおける交通アクターの運動予測の改善
- Authors: Eason Wang, Henggang Cui, Sai Yalamanchi, Mohana Moorthy, Fang-Chieh
Chou, Nemanja Djuric
- Abstract要約: 自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。
一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。
本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 12.652210024012374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most critical pieces of the self-driving puzzle is the task of
predicting future movement of surrounding traffic actors, which allows the
autonomous vehicle to safely and effectively plan its future route in a complex
world. Recently, a number of algorithms have been proposed to address this
important problem, spurred by a growing interest of researchers from both
industry and academia. Methods based on top-down scene rasterization on one
side and Generative Adversarial Networks (GANs) on the other have shown to be
particularly successful, obtaining state-of-the-art accuracies on the task of
traffic movement prediction. In this paper we build upon these two directions
and propose a raster-based conditional GAN architecture, powered by a novel
differentiable rasterizer module at the input of the conditional discriminator
that maps generated trajectories into the raster space in a differentiable
manner. This simplifies the task for the discriminator as trajectories that are
not scene-compliant are easier to discern, and allows the gradients to flow
back forcing the generator to output better, more realistic trajectories. We
evaluated the proposed method on a large-scale, real-world data set, showing
that it outperforms state-of-the-art GAN-based baselines.
- Abstract（参考訳）: 自動運転パズルの最も重要な部分の1つは、周囲の交通機関の将来の動きを予測することであり、これにより自動運転車は複雑な世界での将来の経路を安全に効果的に計画することができる。
近年,産学ともに研究者の関心が高まり,この問題に対処するアルゴリズムが提案されている。
片側のトップダウンシーンのラスタ化と他方のGAN(Generative Adversarial Networks)に基づく手法は特に成功し,交通変動予測の課題に対する最先端の精度が得られた。
本稿では,これら2つの方向に基づいて,生成した軌道をラスタ空間に異なる方法でマッピングする条件判別器の入力において,新しい微分可能なラスタライザモジュールを用いたラスタベース条件付きGANアーキテクチャを提案する。
これにより、シーン準拠でないトラジェクトリとして判別器のタスクを単純化し、勾配を逆流させ、ジェネレータがより良くよりリアルなトラジェクトリを出力できるようにする。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
関連論文リスト
- uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-19T08:46:33Z) - More Than Routing: Joint GPS and Route Modeling for Refine Trajectory
Representation Learning [26.630640299709114]
本稿では,JGRMという自己監督技術に基づく共同GPSとルートモデリングを提案する。
我々は2つのエンコーダを開発し、それぞれルートとGPSの軌跡を表現できるように調整した。
2つのモードからの表現は、モーダル間情報相互作用のための共有変換器に入力される。
論文 参考訳（メタデータ） (2024-02-25T18:27:25Z) - Learning Representative Trajectories of Dynamical Systems via
Domain-Adaptive Imitation [0.0]
ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。
実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。
実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
論文 参考訳（メタデータ） (2023-04-19T15:53:48Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳（メタデータ） (2022-03-09T21:08:47Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文 参考訳（メタデータ） (2021-11-02T13:42:16Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Multi-modal Trajectory Prediction for Autonomous Driving with Semantic
Map and Dynamic Graph Attention Network [12.791191495432829]
現実の交通シナリオにおける軌道予測にはいくつかの課題がある。
目的や周囲に注意を払って交通をナビゲートする人々の自然な習慣に触発された本論文は,ユニークなグラフ注意ネットワークを示す。
ネットワークはエージェント間の動的社会的相互作用をモデル化し、セマンティックマップでトラフィックルールに適合するように設計されている。
論文 参考訳（メタデータ） (2021-03-30T11:53:12Z) - 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)
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。