論文の概要: PnPNet: End-to-End Perception and Prediction with Tracking in the Loop
- arxiv url: http://arxiv.org/abs/2005.14711v2
- Date: Sat, 27 Jun 2020 21:32:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 23:59:17.984569
- Title: PnPNet: End-to-End Perception and Prediction with Tracking in the Loop
- Title(参考訳): PnPNet:ループ内のトラッキングによるエンドツーエンドの知覚と予測
- Authors: Ming Liang, Bin Yang, Wenyuan Zeng, Yun Chen, Rui Hu, Sergio Casas,
Raquel Urtasun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 82.97006521937101
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We tackle the problem of joint perception and motion forecasting in the
context of self-driving vehicles. Towards this goal we propose PnPNet, an
end-to-end model that takes as input sequential sensor data, and outputs at
each time step object tracks and their future trajectories. The key component
is a novel tracking module that generates object tracks online from detections
and exploits trajectory level features for motion forecasting. Specifically,
the object tracks get updated at each time step by solving both the data
association problem and the trajectory estimation problem. Importantly, the
whole model is end-to-end trainable and benefits from joint optimization of all
tasks. We validate PnPNet on two large-scale driving datasets, and show
significant improvements over the state-of-the-art with better occlusion
recovery and more accurate future prediction.
- Abstract(参考訳): 我々は、自動運転車の文脈における共同認識と運動予測の問題に取り組む。
この目的を達成するために,PnPNetを提案する。PnPNetは入力された逐次センサデータを取り、各ステップのオブジェクトトラックとその将来の軌跡を出力する。
重要なコンポーネントは、新しいトラッキングモジュールで、検出からオンラインでオブジェクトトラックを生成し、モーション予測のために軌道レベル機能を利用する。
具体的には、データ関連問題と軌跡推定問題の両方を解くことにより、各タイミングでオブジェクトトラックが更新される。
重要なのは、モデル全体がエンドツーエンドのトレーニングが可能で、すべてのタスクの共同最適化の恩恵を受けています。
我々はPnPNetを2つの大規模運転データセット上で検証し、閉塞回復の改善とより正確な将来予測により最先端技術に対する大幅な改善を示す。
関連論文リスト
- Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
コストのかかるラベルを必要とせずにエンドツーエンドの運転を改善するための,新しい自己管理手法を提案する。
フレームワーク textbfLAW は LAtent World モデルを用いて,予測エゴアクションと現在のフレームの潜在機能に基づいて,今後の潜在機能を予測する。
その結果,オープンループベンチマークとクローズループベンチマークの両方において,コストのかかるアノテーションを使わずに最先端のパフォーマンスを実現することができた。
論文 参考訳(メタデータ) (2024-06-12T17:59:21Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳(メタデータ) (2024-06-12T11:50:51Z) - 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) - Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks [8.209194305630229]
既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。
本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T20:20:26Z) - An End-to-End Framework of Road User Detection, Tracking, and Prediction
from Monocular Images [11.733622044569486]
我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。
検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。
本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
論文 参考訳(メタデータ) (2023-08-09T15:46:25Z) - 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) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳(メタデータ) (2022-03-21T17:59:40Z) - 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) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
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。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z)
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。