論文の概要: Implicit Latent Variable Model for Scene-Consistent Motion Forecasting

• arxiv url: http://arxiv.org/abs/2007.12036v1
• Date: Thu, 23 Jul 2020 14:31:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 11:46:05.268527
• Title: Implicit Latent Variable Model for Scene-Consistent Motion Forecasting
• Title（参考訳）: シーン整合動作予測のための暗黙的潜在変数モデル
• Authors: Sergio Casas, Cole Gulino, Simon Suo, Katie Luo, Renjie Liao, Raquel Urtasun
• Abstract要約: 本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
• 参考スコア（独自算出の注目度）: 78.74510891099395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to plan a safe maneuver an autonomous vehicle must accurately perceive its environment, and understand the interactions among traffic participants. In this paper, we aim to learn scene-consistent motion forecasts of complex urban traffic directly from sensor data. In particular, we propose to characterize the joint distribution over future trajectories via an implicit latent variable model. We model the scene as an interaction graph and employ powerful graph neural networks to learn a distributed latent representation of the scene. Coupled with a deterministic decoder, we obtain trajectory samples that are consistent across traffic participants, achieving state-of-the-art results in motion forecasting and interaction understanding. Last but not least, we demonstrate that our motion forecasts result in safer and more comfortable motion planning.
• Abstract（参考訳）: 安全な操縦を計画するには、自律車両はその環境を正確に認識し、交通参加者間の相互作用を理解する必要がある。 本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 特に, 暗黙的潜在変数モデルを用いて, 将来の軌道上のジョイント分布を特徴付けることを提案する。 シーンをインタラクショングラフとしてモデル化し,強力なグラフニューラルネットワークを用いて,シーンの分散潜在表現を学習する。 決定論的デコーダと組み合わせて、交通参加者間で一貫した軌道サンプルを取得し、動き予測と相互作用理解の最先端結果を達成する。 最後に、我々の動き予測がより安全で快適な動き計画をもたらすことを示す。

関連論文リスト

• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• 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)
• Holistic Graph-based Motion Prediction [2.365702128814616]
  ヘテロジニアスな全体グラフ表現に基づくグラフに基づく動き予測の新しい手法を提案する。 情報は異なるタイプのノードとエッジを通じてエンコードされ、どちらも任意の機能でリッチ化されている。
  論文  参考訳（メタデータ） (2023-01-31T10:46:46Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• SCOUT: Socially-COnsistent and UndersTandable Graph Attention Network for Trajectory Prediction of Vehicles and VRUs [0.0]
  SCOUTは、グラフとしてシーンの柔軟で汎用的な表現を使用する新しい注意ベースのグラフニューラルネットワークです。 我々は3つの異なる注意メカニズムを探索し,鳥眼視と車載都市データを用いてそのスキームをテストする。 RounDデータセットの全く新しいシナリオでテストすることにより、モデルの柔軟性と転送性を評価します。
  論文  参考訳（メタデータ） (2021-02-12T06:29:28Z)
• Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
  本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。 アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。 提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
  論文  参考訳（メタデータ） (2020-09-27T18:20:03Z)
• 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)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。