論文の概要: VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable Road Users

• arxiv url: http://arxiv.org/abs/2007.05397v1
• Date: Fri, 10 Jul 2020 14:02:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:51:46.954113
• Title: VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable Road Users
• Title（参考訳）: VRUNet: 危険道路利用者のインテント予測のためのマルチタスク学習モデル
• Authors: Adithya Ranga, Filippo Giruzzi, Jagdish Bhanushali, Emilie Wirbel, Patrick P\'erez, Tuan-Hung Vu and Xavier Perrotton
• Abstract要約: 本稿では、歩行者行動の予測、横断意図の予測、ビデオシーケンスからの将来の経路予測のためのマルチタスク学習モデルを提案する。 我々は、行動アノテーションや実世界のシナリオに富んだ、オープンソースのJAADデータセットを自然言語で駆動するモデルを訓練しました。 実験結果からJAADデータセットの最先端性能が示された。
• 参考スコア（独自算出の注目度）: 3.6265173818019947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced perception and path planning are at the core for any self-driving vehicle. Autonomous vehicles need to understand the scene and intentions of other road users for safe motion planning. For urban use cases it is very important to perceive and predict the intentions of pedestrians, cyclists, scooters, etc., classified as vulnerable road users (VRU). Intent is a combination of pedestrian activities and long term trajectories defining their future motion. In this paper we propose a multi-task learning model to predict pedestrian actions, crossing intent and forecast their future path from video sequences. We have trained the model on naturalistic driving open-source JAAD dataset, which is rich in behavioral annotations and real world scenarios. Experimental results show state-of-the-art performance on JAAD dataset and how we can benefit from jointly learning and predicting actions and trajectories using 2D human pose features and scene context.
• Abstract（参考訳）: 先進的な認識と経路計画が、あらゆる自動運転車の中核である。 自動運転車は安全な移動計画のために、他の道路利用者の状況や意図を理解する必要がある。 都市では、歩行者、サイクリスト、スクーター等の意図を認識・予測することが重要であり、脆弱な道路利用者(VRU)に分類される。 Intentは、歩行者活動と将来の動きを定義する長期軌跡の組み合わせである。 本稿では,歩行者行動の予測,横断意図の予測,ビデオシーケンスからの今後の経路予測のためのマルチタスク学習モデルを提案する。 我々は、行動アノテーションや実世界のシナリオに富んだ、オープンソースのJAADデータセットを自然言語で駆動するモデルを訓練しました。 実験結果は、JAADデータセットにおける最先端のパフォーマンスと、2次元のポーズ特徴とシーンコンテキストを用いて、共同で学習し、行動や軌跡を予測する利点を示す。

関連論文リスト

• Local and Global Contextual Features Fusion for Pedestrian Intention Prediction [2.203209457340481]
  我々は歩行者と交通状況の両方の視覚的特徴を分析し分析する。 グローバルな文脈を理解するために、位置、動き、環境情報を利用する。 これらのマルチモダリティ機能は、効果的な意図学習のためにインテリジェントに融合されている。
  論文  参考訳（メタデータ） (2023-05-01T22:37:31Z)
• Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts [3.2230833657560503]
  我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。 推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。 都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
  論文  参考訳（メタデータ） (2022-11-03T20:16:24Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• 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)
• Coupling Intent and Action for Pedestrian Crossing Behavior Prediction [25.54455403877285]
  本研究では, 歩行者の横断行動について, 未観測の内的意志と多種多様な行動の組み合わせとして定義するために, 神経科学と心理学の文献に従う。 将来の歩行者行動を予測し、予測された将来の行動を事前に利用し、歩行者の現在の意図と行動を検出する新しいマルチタスクネットワークを提示する。
  論文  参考訳（メタデータ） (2021-05-10T06:26:25Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction in 3D [10.580548257913843]
  nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。 また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-14T18:13:44Z)
• Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
  グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。 本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。 この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-10-20T13:42:31Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。