論文の概要: MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control

• arxiv url: http://arxiv.org/abs/2009.07517v2
• Date: Thu, 14 Jan 2021 09:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 00:55:43.636902
• Title: MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control
• Title（参考訳）: MATS:計画と制御のための解釈可能な軌道予測表現
• Authors: Boris Ivanovic, Amine Elhafsi, Guy Rosman, Adrien Gaidon, Marco Pavone
• Abstract要約: 人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。 自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。 本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
• 参考スコア（独自算出の注目度）: 46.86174832000696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning about human motion is a core component of modern human-robot interactive systems. In particular, one of the main uses of behavior prediction in autonomous systems is to inform robot motion planning and control. However, a majority of planning and control algorithms reason about system dynamics rather than the predicted agent tracklets (i.e., ordered sets of waypoints) that are commonly output by trajectory forecasting methods, which can hinder their integration. Towards this end, we propose Mixtures of Affine Time-varying Systems (MATS) as an output representation for trajectory forecasting that is more amenable to downstream planning and control use. Our approach leverages successful ideas from probabilistic trajectory forecasting works to learn dynamical system representations that are well-studied in the planning and control literature. We integrate our predictions with a proposed multimodal planning methodology and demonstrate significant computational efficiency improvements on a large-scale autonomous driving dataset.
• Abstract（参考訳）: 人間の動きに関する推論は、現代の人間とロボットの対話システムの中核要素である。 特に、自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。 しかし、計画と制御アルゴリズムの大多数は、予測されたエージェントトラックレット(すなわち、経路予測法によって一般的に出力される経路ポイントの順序セット)よりも、システムのダイナミクスを理由付けしている。 そこで本研究では,アフィン時間変動システム(mats)の混合を,下流計画や制御用途に適した軌道予測のための出力表現として提案する。 提案手法は, 確率的軌道予測から成功したアイデアを活用し, 計画と制御の文献でよく研究されている力学系表現を学習する。 提案するマルチモーダル計画手法と予測を統合し,大規模自律運転データセット上での計算効率の向上を実証する。

関連論文リスト

• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
  本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。 次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
  論文  参考訳（メタデータ） (2021-02-10T11:11:08Z)
• Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
  本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。 制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。 提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
  論文  参考訳（メタデータ） (2020-11-06T20:37:15Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data [37.176411554794214]
  人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。 我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。 実世界の軌道予測データセットにおいて,その性能を実証する。
  論文  参考訳（メタデータ） (2020-01-09T16:47:17Z)

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。