論文の概要: TrajGAIL: Generating Urban Vehicle Trajectories using Generative
Adversarial Imitation Learning
- arxiv url: http://arxiv.org/abs/2007.14189v4
- Date: Sat, 16 Jan 2021 02:41:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 01:45:17.367406
- Title: TrajGAIL: Generating Urban Vehicle Trajectories using Generative
Adversarial Imitation Learning
- Title（参考訳）: TrajGAIL:ジェネレーティブ・逆転模倣学習を用いた都市自動車軌道生成
- Authors: Seongjin Choi, Jiwon Kim, Hwasoo Yeo
- Abstract要約: 本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。
都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。
TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
- 参考スコア（独自算出の注目度）: 9.01310450044549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, an abundant amount of urban vehicle trajectory data has been
collected in road networks. Many studies have used machine learning algorithms
to analyze patterns in vehicle trajectories to predict location sequences of
individual travelers. Unlike the previous studies that used a discriminative
modeling approach, this research suggests a generative modeling approach to
learn the underlying distributions of urban vehicle trajectory data. A
generative model for urban vehicle trajectories can better generalize from
training data by learning the underlying distribution of the training data and,
thus, produce synthetic vehicle trajectories similar to real vehicle
trajectories with limited observations. Synthetic trajectories can provide
solutions to data sparsity or data privacy issues in using location data. This
research proposesTrajGAIL, a generative adversarial imitation learning
framework for the urban vehicle trajectory generation. In TrajGAIL, learning
location sequences in observed trajectories is formulated as an imitation
learning problem in a partially observable Markov decision process. The model
is trained by the generative adversarial framework, which uses the reward
function from the adversarial discriminator. The model is tested with both
simulation and real-world datasets, and the results show that the proposed
model obtained significant performance gains compared to existing models in
sequence modeling.
- Abstract（参考訳）: 近年,道路網における都市車両軌道データ収集が盛んに行われている。
多くの研究は、機械学習アルゴリズムを用いて車両軌道のパターンを分析し、個々の旅行者の位置シーケンスを予測する。
本研究は,従来の識別モデル手法と異なり,都市自動車軌道データの基礎となる分布を学習するための生成モデル手法を提案する。
都市部における車両軌跡生成モデルは、トレーニングデータの基盤となる分布を学習することにより、訓練データからより一般化し、限られた観測で実際の車両軌跡に類似した合成車両軌跡を生成することができる。
合成トラジェクトリは、位置データを使用する際のデータの分散性やデータのプライバシ問題に対するソリューションを提供することができる。
本研究では,都市車両軌道生成のための生成的逆模倣学習フレームワークstrajgailを提案する。
TrajGAILでは、観測軌道における学習位置列は、部分的に観測可能なマルコフ決定過程において模倣学習問題として定式化される。
このモデルは, 対数判別器の報酬関数を用いた生成的対数フレームワークによって訓練される。
このモデルはシミュレーションと実世界のデータセットの両方でテストされ、提案手法はシーケンスモデリングにおいて既存のモデルと比較して有意な性能向上を得た。
関連論文リスト
- VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。
車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文 参考訳（メタデータ） (2024-04-11T06:19:55Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳（メタデータ） (2023-03-24T17:56:22Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - TrajGen: Generating Realistic and Diverse Trajectories with Reactive and
Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。
そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。
また,データ駆動型シミュレータI-Simを開発した。
論文 参考訳（メタデータ） (2022-03-31T04:48:29Z) - Generating Synthetic Training Data for Deep Learning-Based UAV
Trajectory Prediction [11.241614693184323]
本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。
実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
論文 参考訳（メタデータ） (2021-07-01T13:08:31Z) - Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。
この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。
また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文 参考訳（メタデータ） (2020-10-12T15:51:01Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z)
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。