論文の概要: Probabilistic Multi-modal Trajectory Prediction with Lane Attention for
Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2007.02574v1
- Date: Mon, 6 Jul 2020 07:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:04:08.073953
- Title: Probabilistic Multi-modal Trajectory Prediction with Lane Attention for
Autonomous Vehicles
- Title(参考訳): 自律走行車両のレーン注意による確率的多モード軌道予測
- Authors: Chenxu Luo, Lin Sun, Dariush Dabiri, Alan Yuille
- Abstract要約: 軌道予測は自動運転車にとって不可欠である。
レーン表現のための新しいインスタンス認識表現を提案する。
提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
- 参考スコア(独自算出の注目度): 10.485790589381704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction is crucial for autonomous vehicles. The planning system
not only needs to know the current state of the surrounding objects but also
their possible states in the future. As for vehicles, their trajectories are
significantly influenced by the lane geometry and how to effectively use the
lane information is of active interest. Most of the existing works use
rasterized maps to explore road information, which does not distinguish
different lanes. In this paper, we propose a novel instance-aware
representation for lane representation. By integrating the lane features and
trajectory features, a goal-oriented lane attention module is proposed to
predict the future locations of the vehicle. We show that the proposed lane
representation together with the lane attention module can be integrated into
the widely used encoder-decoder framework to generate diverse predictions. Most
importantly, each generated trajectory is associated with a probability to
handle the uncertainty. Our method does not suffer from collapsing to one
behavior modal and can cover diverse possibilities. Extensive experiments and
ablation studies on the benchmark datasets corroborate the effectiveness of our
proposed method. Notably, our proposed method ranks third place in the
Argoverse motion forecasting competition at NeurIPS 2019.
- Abstract(参考訳): 軌道予測は自動運転車にとって不可欠である。
計画システムは、周囲のオブジェクトの現在の状態を知るだけでなく、将来その状態も知る必要がある。
車両の場合、その軌道は車線幾何学に大きく影響され、車線情報を効果的に活用する方法は活発である。
既存の作品の多くは道路情報を探索するためにラスタライズドマップを使用しており、異なる車線を区別していない。
本稿では,レーン表現のための新しいインスタンス認識表現を提案する。
車線特徴と軌道特徴を統合することにより,車両の将来の位置を予測するために,目標指向車線注意モジュールを提案する。
提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合され,多様な予測が可能であることを示す。
最も重要なことに、生成された各軌道は不確実性を扱う確率に関連付けられている。
本手法は, 1つの行動モードに崩壊することなく, 様々な可能性をカバーすることができる。
ベンチマークデータセットの大規模な実験とアブレーション研究は,提案手法の有効性を裏付けるものである。
特に,提案手法はneurips 2019のargoverse motion forecasting competitionで3位にランクインした。
関連論文リスト
- Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳(メタデータ) (2023-01-06T15:13:23Z) - Multi-modal Transformer Path Prediction for Autonomous Vehicle [15.729029675380083]
ターゲットエージェントの長期的軌跡予測を目的としたMTPP(Multi-modal Transformer Path Prediction)と呼ばれる経路予測システムを提案する。
より正確な経路予測を実現するため,トランスフォーマーアーキテクチャをモデルに適用した。
実世界の軌跡予測データセットであるnuSceneを用いて,提案システムの有効性を定量的に評価した。
論文 参考訳(メタデータ) (2022-08-15T15:09:26Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳(メタデータ) (2022-07-19T16:48:39Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Maneuver-Aware Pooling for Vehicle Trajectory Prediction [3.5851903214591663]
本稿では、高速道路における自動運転車の周辺車両の挙動の予測に焦点をあてる。
本稿では,隣接する車両間の相互依存を捉えるための新しいプーリング戦略を提案する。
提案したプール機構を生成エンコーダデコーダモデルに組み入れ,公開NGSIMデータセット上で評価した。
論文 参考訳(メタデータ) (2021-04-29T02:12:08Z) - 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) - LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of
Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。
LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。
公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2021-04-01T04:33:36Z) - What-If Motion Prediction for Autonomous Driving [58.338520347197765]
生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。
本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。
提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
論文 参考訳(メタデータ) (2020-08-24T17:49:30Z) - Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction
using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。
ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。
本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
論文 参考訳(メタデータ) (2020-06-23T11:25:16Z) - 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。