論文の概要: TNT: Target-driveN Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2008.08294v2
- Date: Fri, 21 Aug 2020 07:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 12:26:31.312471
- Title: TNT: Target-driveN Trajectory Prediction
- Title（参考訳）: TNT:ターゲットドライブN軌道予測
- Authors: Hang Zhao, Jiyang Gao, Tian Lan, Chen Sun, Benjamin Sapp, Balakrishnan
Varadarajan, Yue Shen, Yi Shen, Yuning Chai, Cordelia Schmid, Congcong Li,
Dragomir Anguelov
- Abstract要約: 我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
- 参考スコア（独自算出の注目度）: 76.21200047185494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the future behavior of moving agents is essential for real world
applications. It is challenging as the intent of the agent and the
corresponding behavior is unknown and intrinsically multimodal. Our key insight
is that for prediction within a moderate time horizon, the future modes can be
effectively captured by a set of target states. This leads to our target-driven
trajectory prediction (TNT) framework. TNT has three stages which are trained
end-to-end. It first predicts an agent's potential target states $T$ steps into
the future, by encoding its interactions with the environment and the other
agents. TNT then generates trajectory state sequences conditioned on targets. A
final stage estimates trajectory likelihoods and a final compact set of
trajectory predictions is selected. This is in contrast to previous work which
models agent intents as latent variables, and relies on test-time sampling to
generate diverse trajectories. We benchmark TNT on trajectory prediction of
vehicles and pedestrians, where we outperform state-of-the-art on Argoverse
Forecasting, INTERACTION, Stanford Drone and an in-house
Pedestrian-at-Intersection dataset.
- Abstract（参考訳）: 移動エージェントの将来の挙動を予測することは現実世界のアプリケーションにとって不可欠である。
エージェントの意図とそれに対応する振る舞いが不明であり、本質的にマルチモーダルであるため、これは難しい。
我々の重要な洞察は、適度な時間的地平線内での予測では、将来のモードはターゲット状態の集合によって効果的に捕捉できるということである。
これにより、ターゲット駆動軌道予測(TNT)フレームワークが実現される。
TNTには、エンドツーエンドにトレーニングされた3つのステージがある。
エージェントの潜在的なターゲットは、環境と他のエージェントとのインタラクションをエンコードすることで、未来への$T$ステップを予測します。
TNTはターゲットに条件付けされた軌道状態列を生成する。
最終段階は軌道確率を推定し、最終コンパクトな軌道予測セットを選択する。
これはエージェントが潜伏変数として意図する以前の作業とは対照的であり、様々な軌道を生成するためにテスト時のサンプリングに依存している。
我々は、車と歩行者の軌道予測についてTNTをベンチマークし、Argoverse Forecasting、InterAction、Stanford Droneおよび社内のPedestrian-at-Intersectionデータセットで最先端の予測を行う。
関連論文リスト
- 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) - Trajectory-Prediction with Vision: A Survey [0.0]
軌道予測は極めて困難な課題であり、最近自動運転車研究コミュニティで注目を集めている。
優れた予測モデルでは、道路上の衝突を防止でき、従って自動運転車の最終的な目標である衝突速度は、数百万マイル毎の衝突である。
我々は,関連アルゴリズムを異なるクラスに分類し,軌道予測研究分野のトレンドを追究する。
論文 参考訳（メタデータ） (2023-03-15T01:06:54Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。
DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
論文 参考訳（メタデータ） (2021-08-22T05:27:35Z) - LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of
Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。
LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。
公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2021-04-01T04:33:36Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - 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) - AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。
我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。
AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文 参考訳（メタデータ） (2020-06-15T10:00:07Z) - Physically constrained short-term vehicle trajectory forecasting with
naive semantic maps [6.85316573653194]
本稿では,エージェントの一般的な動きだけでなく,意味地図から関連する道路特徴を抽出する学習モデルを提案する。
我々は,道路境界を考慮した将来の動きを予測できるだけでなく,当初の訓練よりも長い時間的地平線の軌道を効果的かつ正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-09T09:52:44Z) - 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)
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。