論文の概要: The Importance of Prior Knowledge in Precise Multimodal Prediction

• arxiv url: http://arxiv.org/abs/2006.02636v1
• Date: Thu, 4 Jun 2020 03:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 08:59:01.197292
• Title: The Importance of Prior Knowledge in Precise Multimodal Prediction
• Title（参考訳）: 高精度マルチモーダル予測における事前知識の重要性
• Authors: Sergio Casas, Cole Gulino, Simon Suo, Raquel Urtasun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.74884391209955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Roads have well defined geometries, topologies, and traffic rules. While this has been widely exploited in motion planning methods to produce maneuvers that obey the law, little work has been devoted to utilize these priors in perception and motion forecasting methods. In this paper we propose to incorporate these structured priors as a loss function. In contrast to imposing hard constraints, this approach allows the model to handle non-compliant maneuvers when those happen in the real world. Safe motion planning is the end goal, and thus a probabilistic characterization of the possible future developments of the scene is key to choose the plan with the lowest expected cost. Towards this goal, we design a framework that leverages REINFORCE to incorporate non-differentiable priors over sample trajectories from a probabilistic model, thus optimizing the whole distribution. We demonstrate the effectiveness of our approach on real-world self-driving datasets containing complex road topologies and multi-agent interactions. Our motion forecasts not only exhibit better precision and map understanding, but most importantly result in safer motion plans taken by our self-driving vehicle. We emphasize that despite the importance of this evaluation, it has been often overlooked by previous perception and motion forecasting works.
• Abstract（参考訳）: 道路にはよく定義された地形、地形、交通規則がある。 これは、運動計画法において、この法則に従う操作を生み出すために広く利用されてきたが、知覚と運動予測の手法でこれらを活用しようとする努力は少ない。 本稿では,これら構造化前処理を損失関数として取り入れる。 厳しい制約を課すのとは対照的に、このアプローチでは、現実の世界で発生するような非コンプライアンスな操作をモデルが処理できる。 安全な運動計画が最終目標であり、それによってシーンの将来的な発展の確率論的特徴が、最小のコストで計画を選択する鍵となる。 この目標に向けて,確率モデルからのサンプルトラジェクタよりも,非微分可能な優先事項を取り込むために強化を利用するフレームワークを設計し,分布全体を最適化する。 複雑な道路トポロジとマルチエージェントインタラクションを含む実世界の自動運転データセットに対するアプローチの有効性を示す。 私たちの動き予測は、より良い精度と地図理解を示すだけでなく、最も重要なことは自動運転車による安全な動き計画をもたらす。 この評価の重要性にもかかわらず、従来の知覚や動き予測の作業では見過ごされがちである。

関連論文リスト

• KI-PMF: Knowledge Integrated Plausible Motion Forecasting [11.311561045938546]
  現在の軌道予測手法は、主に特定の計量で損失関数を最適化することに集中している。 我々の目的は、車両の運動的制約の双方に応じて、ネットワークが将来の軌跡を予測できる明示的な知識事前を組み込むことである。 提案手法は,複雑な状況と動的状況の両方において,交通アクタの到達可能性を保証するように設計されている。
  論文  参考訳（メタデータ） (2023-10-18T14:40:52Z)
• 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)
• TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator and Predictor [3.6955256596550137]
  軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。 本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。 我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-02T17:37:44Z)
• Self-Supervised Action-Space Prediction for Automated Driving [0.0]
  本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。 学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。 提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-21T08:27:56Z)
• LOKI: Long Term and Key Intentions for Trajectory Prediction [22.097307597204736]
  軌道予測の最近の進歩は、エージェントの意図に関する明確な推論が、その動きを正確に予測することが重要であることを示している。 共同軌道と意図予測に対処するために設計された,新しい大規模データセットであるLOKI(Long term and Key Intentions)を提案する。 提案手法は,最先端の軌道予測手法を最大27%まで向上させ,フレームワイドな意図推定のためのベースラインを提供する。
  論文  参考訳（メタデータ） (2021-08-18T16:57:03Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)
• 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)
• 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。