論文の概要: TPNet: Trajectory Proposal Network for Motion Prediction

• arxiv url: http://arxiv.org/abs/2004.12255v2
• Date: Sun, 7 Feb 2021 08:04:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:37:07.609283
• Title: TPNet: Trajectory Proposal Network for Motion Prediction
• Title（参考訳）: TPNet:動き予測のための軌道提案ネットワーク
• Authors: Liangji Fang, Qinhong Jiang, Jianping Shi, Bolei Zhou
• Abstract要約: Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
• 参考スコア（独自算出の注目度）: 81.28716372763128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Making accurate motion prediction of the surrounding traffic agents such as pedestrians, vehicles, and cyclists is crucial for autonomous driving. Recent data-driven motion prediction methods have attempted to learn to directly regress the exact future position or its distribution from massive amount of trajectory data. However, it remains difficult for these methods to provide multimodal predictions as well as integrate physical constraints such as traffic rules and movable areas. In this work we propose a novel two-stage motion prediction framework, Trajectory Proposal Network (TPNet). TPNet first generates a candidate set of future trajectories as hypothesis proposals, then makes the final predictions by classifying and refining the proposals which meets the physical constraints. By steering the proposal generation process, safe and multimodal predictions are realized. Thus this framework effectively mitigates the complexity of motion prediction problem while ensuring the multimodal output. Experiments on four large-scale trajectory prediction datasets, i.e. the ETH, UCY, Apollo and Argoverse datasets, show that TPNet achieves the state-of-the-art results both quantitatively and qualitatively.
• Abstract（参考訳）: 歩行者、車両、自転車などの周囲の交通機関の正確な動き予測は、自動運転には不可欠である。 近年のデータ駆動型動き予測法は, 大量の軌跡データから, 正確な将来の位置や分布を直接回帰する手法を試みている。 しかし,これらの手法が交通規則や移動領域といった物理的な制約を統合できるだけでなく,多モーダルな予測を提供することは依然として困難である。 本研究では,新しい2段階の動作予測フレームワークTrajectory Proposal Network (TPNet)を提案する。 tpnetは、まず仮説提案として将来の軌道の候補セットを生成し、その後、物理的制約を満たす提案を分類し、精錬することで最終的な予測を行う。 提案生成プロセスを操ることで、安全かつマルチモーダルな予測を実現する。 したがって、このフレームワークはマルチモーダル出力を確保しつつ、動作予測問題の複雑性を効果的に軽減する。 ETH、UCY、Apollo、Argoverseの4つの大規模軌道予測データセットの実験は、TPNetが定量的にも質的にも、最先端の結果を達成することを示した。

関連論文リスト

• FutureNet-LOF: Joint Trajectory Prediction and Lane Occupancy Field Prediction with Future Context Encoding [10.188379670636092]
  本稿では,最初に予測された軌道を将来のシナリオに明示的に統合するFutureNetを提案する。 また、自律走行における動き予測のための車線意味論を用いた新しい表現である車線占有場(LOF)を提案する。 提案手法は,Argoverse 1 と Argoverse 2 の2つの大規模動き予測ベンチマークにおいて第1位である。
  論文  参考訳（メタデータ） (2024-06-20T15:41:53Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
  将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。 この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。 本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-19T15:42:03Z)
• Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks [5.571793666361683]
  本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。 提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。 その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-28T16:25:16Z)
• Transformer based trajectory prediction [71.31516599226606]
  我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。 実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
  論文  参考訳（メタデータ） (2021-12-08T16:00:14Z)
• Multimodal Motion Prediction with Stacked Transformers [35.9674180611893]
  我々はmmTransformerと呼ばれるマルチモーダル動作予測のための新しいトランスフォーマーフレームワークを提案する。 スタックドトランスフォーマーに基づく新しいネットワークアーキテクチャは、固定された独立した提案のセットで機能レベルでマルチモダリティをモデル化するように設計されている。 次に、生成した提案のマルチモーダリティを誘導するために、地域ベースのトレーニング戦略を開発する。
  論文  参考訳（メタデータ） (2021-03-22T07:25:54Z)
• AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
  軌道予測は、安全な将来の動きを計画するための応用に不可欠である。 我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
  論文  参考訳（メタデータ） (2020-06-15T10:00:07Z)
• 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)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。