論文の概要: Haar Wavelet based Block Autoregressive Flows for Trajectories

• arxiv url: http://arxiv.org/abs/2009.09878v1
• Date: Mon, 21 Sep 2020 13:57:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 04:23:04.298917
• Title: Haar Wavelet based Block Autoregressive Flows for Trajectories
• Title（参考訳）: ハールウェーブレットに基づくトラジェクタのブロック自己回帰流
• Authors: Apratim Bhattacharyya, Christoph-Nikolas Straehle, Mario Fritz, Bernt Schiele
• Abstract要約: 歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
• 参考スコア（独自算出の注目度）: 129.37479472754083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of trajectories such as that of pedestrians is crucial to the performance of autonomous agents. While previous works have leveraged conditional generative models like GANs and VAEs for learning the likely future trajectories, accurately modeling the dependency structure of these multimodal distributions, particularly over long time horizons remains challenging. Normalizing flow based generative models can model complex distributions admitting exact inference. These include variants with split coupling invertible transformations that are easier to parallelize compared to their autoregressive counterparts. To this end, we introduce a novel Haar wavelet based block autoregressive model leveraging split couplings, conditioned on coarse trajectories obtained from Haar wavelet based transformations at different levels of granularity. This yields an exact inference method that models trajectories at different spatio-temporal resolutions in a hierarchical manner. We illustrate the advantages of our approach for generating diverse and accurate trajectories on two real-world datasets - Stanford Drone and Intersection Drone.
• Abstract（参考訳）: 歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 以前の研究では、GANやVAEのような条件付き生成モデルを利用して将来の軌道を学習しているが、これらのマルチモーダル分布の依存性構造を正確にモデル化することは困難である。 フローベース生成モデルの正規化は、正確な推論を認める複雑な分布をモデル化することができる。 例えば、分割結合可逆変換を持つ変種は、自己回帰変換に比べて並列化が容易である。 そこで本研究では,異なる粒度でのハールウェーブレットベース変換から得られる粗軌跡を条件として,分割結合を利用した新しいハールウェーブレット系ブロック自己回帰モデルを提案する。 これにより、階層的な方法で異なる時空間分解で軌跡をモデル化する正確な推論法が得られる。 実世界の2つのデータセット(Stanford DroneとIntersection Drone)上で、多種多様な正確な軌道を生成するアプローチの利点について説明する。

関連論文リスト

• Compositional Diffusion Models for Powered Descent Trajectory Generation with Flexible Constraints [24.530914372991273]
  TrajDiffuserは、組成拡散に基づくフレキシブルかつ並列な軌道生成器である。 シミュレーションされた最適軌道のデータセットのマルチモーダル分布を学習する。 推論中、軌道は時間とともに同時に生成され、安定した長距離計画が提供される。
  論文  参考訳（メタデータ） (2024-10-05T18:47:50Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
  混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。 このモデルでは、多様な軌道パターンを生成する能力が向上している。 また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Flexible Multi-Generator Model with Fused Spatiotemporal Graph for Trajectory Prediction [2.1638817206926855]
  軌道予測は、自動車レーダーシステムにおいて重要な役割を果たす。 将来の軌道上の分布を学習する能力を持つ生成的敵ネットワークは、分布外サンプルを予測する傾向がある。 本稿では,歩行者軌跡の社会的相互作用を捉え,不連結な変動をモデル化する軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-06T02:46:05Z)
• Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory Forecasting [0.0]
  VAEに基づく軌道予測モデルに階層的潜在構造を導入する。 本モデルでは,複数モーダルな軌道分布を明瞭に生成し,予測精度で最先端(SOTA)モデルより優れる。
  論文  参考訳（メタデータ） (2022-07-11T04:52:28Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
  本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。 DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
  論文  参考訳（メタデータ） (2020-11-30T18:23:29Z)
• Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
  マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。 我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。 我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-08T09:07:11Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。