論文の概要: BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation

• arxiv url: http://arxiv.org/abs/2007.14558v2
• Date: Mon, 16 Nov 2020 17:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 20:44:10.078273
• Title: BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation
• Title（参考訳）: BiTraP:マルチモーダルゴール推定による双方向歩行者軌道予測
• Authors: Yu Yao, Ella Atkins, Matthew Johnson-Roberson, Ram Vasudevan, Xiaoxiao Du
• Abstract要約: BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
• 参考スコア（独自算出の注目度）: 28.10445924083422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pedestrian trajectory prediction is an essential task in robotic applications such as autonomous driving and robot navigation. State-of-the-art trajectory predictors use a conditional variational autoencoder (CVAE) with recurrent neural networks (RNNs) to encode observed trajectories and decode multi-modal future trajectories. This process can suffer from accumulated errors over long prediction horizons (>=2 seconds). This paper presents BiTraP, a goal-conditioned bi-directional multi-modal trajectory prediction method based on the CVAE. BiTraP estimates the goal (end-point) of trajectories and introduces a novel bi-directional decoder to improve longer-term trajectory prediction accuracy. Extensive experiments show that BiTraP generalizes to both first-person view (FPV) and bird's-eye view (BEV) scenarios and outperforms state-of-the-art results by ~10-50%. We also show that different choices of non-parametric versus parametric target models in the CVAE directly influence the predicted multi-modal trajectory distributions. These results provide guidance on trajectory predictor design for robotic applications such as collision avoidance and navigation systems.
• Abstract（参考訳）: 歩行者の軌跡予測は、自動運転やロボットナビゲーションなどのロボット応用において不可欠なタスクである。 最先端の軌跡予測器は条件付き変分オートエンコーダ(CVAE)とリカレントニューラルネットワーク(RNN)を使用して観測された軌跡を符号化し、マルチモーダルな将来の軌跡を復号する。 このプロセスは、長い予測水平線(>=2秒)で蓄積された誤差に悩まされる。 本稿では,CVAEに基づく目標条件付き双方向多方向軌道予測手法BiTraPを提案する。 bitrapは軌道の目標(終点)を推定し、長期的な軌道予測精度を向上させるために新しい双方向デコーダを導入する。 大規模な実験により、BiTraPはFPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を約10-50%上回った。 また, cvaeにおける非パラメトリックモデルとパラメトリックモデルの異なる選択は, 予測されたマルチモーダル軌道分布に直接影響することを示した。 これらの結果は、衝突回避やナビゲーションシステムなどのロボット応用のための軌道予測設計のガイダンスを提供する。

関連論文リスト

• A Multi-Stage Goal-Driven Network for Pedestrian Trajectory Prediction [6.137256382926171]
  本稿では,多段階目標駆動ネットワーク(MGNet)と呼ばれる,歩行者軌道予測の新しい手法を提案する。 ネットワークは、条件付き変分オートエンコーダ(CVAE)、アテンションモジュール、多段階ゴール評価器の3つの主要コンポーネントから構成される。 MGNetの有効性は、JAADおよびPIEデータセットに関する総合的な実験を通して示される。
  論文  参考訳（メタデータ） (2024-06-26T03:59:21Z)
• 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)
• 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)
• PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
  軌道予測は自動運転スタックにおいて重要な役割を果たす。 近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
  論文  参考訳（メタデータ） (2023-09-07T14:45:41Z)
• An End-to-End Framework of Road User Detection, Tracking, and Prediction from Monocular Images [11.733622044569486]
  我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。 検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。 本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-09T15:46:25Z)
• 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)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• 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)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction [10.905596145969223]
  マルチヘッドアテンションに基づく簡単なエンコーダ・デコーダアーキテクチャを提案する。 提案モデルでは,複数の車両に対して並列に予測された軌道の分布を生成する。
  論文  参考訳（メタデータ） (2020-04-08T06:58:51Z)

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。