論文の概要: The Unsupervised Method of Vessel Movement Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2007.13712v3
- Date: Wed, 29 Jul 2020 15:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 09:14:47.455322
- Title: The Unsupervised Method of Vessel Movement Trajectory Prediction
- Title(参考訳): 船体運動軌跡予測の教師なし手法
- Authors: Chih-Wei Chen, Charles Harrison, and Hsin-Hsiung Huang
- Abstract要約: 本稿では,船体移動軌跡予測の教師なし手法を提案する。
これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
- 参考スコア(独自算出の注目度): 1.2617078020344619
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world application scenarios, it is crucial for marine navigators and
security analysts to predict vessel movement trajectories at sea based on the
Automated Identification System (AIS) data in a given time span. This article
presents an unsupervised method of ship movement trajectory prediction which
represents the data in a three-dimensional space which consists of time
difference between points, the scaled error distance between the tested and its
predicted forward and backward locations, and the space-time angle. The
representation feature space reduces the search scope for the next point to a
collection of candidates which fit the local path prediction well, and
therefore improve the accuracy. Unlike most statistical learning or deep
learning methods, the proposed clustering-based trajectory reconstruction
method does not require computationally expensive model training. This makes
real-time reliable and accurate prediction feasible without using a training
set. Our results show that the most prediction trajectories accurately consist
of the true vessel paths.
- Abstract(参考訳): 実世界のアプリケーションシナリオでは、海上航行者およびセキュリティアナリストが、所定の時間内における自動識別システム(ais)データに基づいて、海上における船舶移動軌跡を予測することが重要である。
本稿では,ポイント間の時間差,テスト対象と予測対象の前方位置と後方位置とのスケール誤差距離,および時空角度からなる3次元空間におけるデータを表現する,教師なしの船舶移動軌跡予測手法を提案する。
表現特徴空間は、局所経路予測によく適合する候補の集合に次点の探索範囲を縮小し、精度を向上させる。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
これにより、トレーニングセットを使わずに、リアルタイムの信頼性と正確な予測が可能になる。
以上の結果から,最も正確な予測軌道は真の血管経路であることがわかった。
関連論文リスト
- Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints [9.385936248154987]
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2023-09-29T15:48:35Z) - A Novel Deep Neural Network for Trajectory Prediction in Automated
Vehicles Using Velocity Vector Field [12.067838086415833]
本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。
精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
論文 参考訳(メタデータ) (2023-09-19T22:14:52Z) - 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) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with
Uncertainty Estimation [10.262354603266639]
海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。
本稿では、再帰型エンコーダデコーダニューラルネットワークの予測方法を検討することにより、トラジェクトリ予測タスクのためのディープラーニングフレームワークを拡張した。
ラベル付き入力データやラベルなし入力データに基づく2つのモデルの予測性能を比較し,不確かさの定量化と精度の向上について述べる。
論文 参考訳(メタデータ) (2022-05-11T11:01:15Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。
既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。
本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
論文 参考訳(メタデータ) (2021-07-29T17:41:34Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z) - Data Driven Aircraft Trajectory Prediction with Deep Imitation Learning [0.8508198765617195]
現在の航空交通管理システムは、予測可能性、効率、コスト効率の限界に達している。
本稿では, トラジェクティブクラスタリングと分類手法を備えたパイプラインにおいて, アート手法のジェネレーティブ・アドリバーサ学習状態を含む包括的フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-16T11:53:19Z)
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。