論文の概要: Learning Lane Graph Representations for Motion Forecasting

• arxiv url: http://arxiv.org/abs/2007.13732v1
• Date: Mon, 27 Jul 2020 17:59:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 08:57:17.792494
• Title: Learning Lane Graph Representations for Motion Forecasting
• Title（参考訳）: 運動予測のための学習レーングラフ表現
• Authors: Ming Liang, Bin Yang, Rui Hu, Yun Chen, Renjie Liao, Song Feng, Raquel Urtasun
• Abstract要約: 生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 92.88572392790623
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a motion forecasting model that exploits a novel structured map representation as well as actor-map interactions. Instead of encoding vectorized maps as raster images, we construct a lane graph from raw map data to explicitly preserve the map structure. To capture the complex topology and long range dependencies of the lane graph, we propose LaneGCN which extends graph convolutions with multiple adjacency matrices and along-lane dilation. To capture the complex interactions between actors and maps, we exploit a fusion network consisting of four types of interactions, actor-to-lane, lane-to-lane, lane-to-actor and actor-to-actor. Powered by LaneGCN and actor-map interactions, our model is able to predict accurate and realistic multi-modal trajectories. Our approach significantly outperforms the state-of-the-art on the large scale Argoverse motion forecasting benchmark.
• Abstract（参考訳）: 本稿では,新しい構造化マップ表現とアクター-マップ相互作用を利用する動き予測モデルを提案する。 ベクトル化された地図をラスタ画像として符号化する代わりに、生の地図データからレーングラフを構築し、地図構造を明示的に保存する。 レーングラフの複雑なトポロジーと長距離依存性を捉えるために,複数の隣接行列と共線拡張を用いたグラフ畳み込みを拡張するLaneGCNを提案する。 アクタとマップの複雑な相互作用を捉えるために,アクタ間相互作用,レーン間相互作用,レーン間相互作用,アクタ間相互作用,アクタ間相互作用という4種類の相互作用からなる融合ネットワークを利用する。 LaneGCNとアクターマップの相互作用によって、我々のモデルは正確でリアルなマルチモーダル軌道を予測できる。 このアプローチは,大規模argoverseモーション予測ベンチマークの最先端を著しく上回っている。

関連論文リスト

• ProIn: Learning to Predict Trajectory Based on Progressive Interactions for Autonomous Driving [11.887346755144485]
  プログレッシブ・インタラクション・ネットワークが提案され、エージェントの特徴が関係する地図に徐々に焦点を合わせることができる。 このネットワークは、グラフ畳み込みを通じて、地図制約の複雑な影響をエージェントの特徴に徐々にエンコードする。 実験は、既存の1段階の相互作用に対する進歩的相互作用の優越性を検証した。
  論文  参考訳（メタデータ） (2024-03-25T02:38:34Z)
• Heterogeneous Graph-based Trajectory Prediction using Local Map Context and Social Interactions [47.091620047301305]
  本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。 まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。 第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
  論文  参考訳（メタデータ） (2023-11-30T13:46:05Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Path-Aware Graph Attention for HD Maps in Motion Prediction [4.531240717484252]
  自律運転における動作予測の成功は、HDマップからの情報の統合に依存している。 本稿では,2つの頂点間の注意関係を,接続する経路を構成するエッジの列を解析することによって推定する新しい注目アーキテクチャであるPath-Aware Graph Attentionを提案する。 本分析は,GCNのような既存のグラフネットワークが苦戦している現実的な問題において,提案した注意機構が学習を促進する方法を示す。
  論文  参考訳（メタデータ） (2022-02-23T09:43:47Z)
• Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction [53.473846742702854]
  本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。 Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。 提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
  論文  参考訳（メタデータ） (2021-08-12T15:53:37Z)
• LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
  LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
  論文  参考訳（メタデータ） (2021-01-17T11:54:49Z)
• 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)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)

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。