Fugu-MT 論文翻訳(概要): A Generic Framework for Clustering Vehicle Motion Trajectories

論文の概要: A Generic Framework for Clustering Vehicle Motion Trajectories

arxiv url: http://arxiv.org/abs/2009.12443v1
Date: Fri, 25 Sep 2020 21:46:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 22:31:21.478209
Title: A Generic Framework for Clustering Vehicle Motion Trajectories
Title（参考訳）: 車両運動軌跡のクラスタリングのためのジェネリックフレームワーク
Authors: Fazeleh S.Hoseini, Sadegh Rahrovani, Morteza Haghir Chehreghani
Abstract要約: 5段階からなる効果的な非パラメトリック軌道クラスタリングフレームワークを提案する。本稿では,注釈付き軌跡からなる実世界の挑戦的データセットについて,提案手法を検討・評価する。我々は、GAN(Generative Adversarial Network)によって生成された合成データを用いて、実データセットの拡張を検証するためのフレームワークを拡張した。
参考スコア（独自算出の注目度）: 4.125187280299247
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The development of autonomous vehicles requires having access to a large amount of data in the concerning driving scenarios. However, manual annotation of such driving scenarios is costly and subject to the errors in the rule-based trajectory labeling systems. To address this issue, we propose an effective non-parametric trajectory clustering framework consisting of five stages: (1) aligning trajectories and quantifying their pairwise temporal dissimilarities, (2) embedding the trajectory-based dissimilarities into a vector space, (3) extracting transitive relations, (4) embedding the transitive relations into a new vector space, and (5) clustering the trajectories with an optimal number of clusters. We investigate and evaluate the proposed framework on a challenging real-world dataset consisting of annotated trajectories. We observe that the proposed framework achieves promising results, despite the complexity caused by having trajectories of varying length. Furthermore, we extend the framework to validate the augmentation of the real dataset with synthetic data generated by a Generative Adversarial Network (GAN) where we examine whether the generated trajectories are consistent with the true underlying clusters.
Abstract（参考訳）: 自動運転車の開発には、関連する運転シナリオで大量のデータにアクセスする必要がある。しかし、このような運転シナリオのマニュアルアノテーションはコストがかかり、ルールベースの軌道ラベルシステムではエラーが発生する。この問題に対処するため,(1) 軌跡の整列と時間的相違の定量化,(2) 軌跡に基づく相違点のベクトル空間への埋め込み,(3) 推移的関係の抽出,(4) 推移的関係の新たなベクトル空間への埋め込み,(5) 軌道を最適な数のクラスタ化,の5段階からなる効果的な非パラメトリック軌道クラスタリングフレームワークを提案する。我々は,アノテーション付きトラジェクタからなる実世界の挑戦的データセットについて,提案フレームワークを調査し,評価する。異なる長さの軌跡を持つ複雑さにもかかわらず,提案手法が有望な結果をもたらすことを観察する。さらに,GAN(Generative Adversarial Network)が生成した合成データを用いて,実際のデータセットの増大を検証するためのフレームワークを拡張し,生成したトラジェクトリが真の基盤となるクラスタと一致しているかを検討する。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-17T13:14:47Z)
Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文参考訳（メタデータ） (2022-06-26T13:14:52Z)
Multi-modal Scene-compliant User Intention Estimation for Navigation [1.9117798322548485]
本研究では,移動体操作時のユーザ意図分布生成フレームワークを提案する。モデルは過去の観測された軌跡から学習し、視覚環境から派生した可視性情報を活用する。実験は、オープンソースの都市運転シミュレータCARLA上に構築されたカスタム車椅子モデルを用いて収集されたデータセット上で行われた。
論文参考訳（メタデータ） (2021-06-13T05:11:33Z)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)
Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文参考訳（メタデータ） (2021-01-24T03:55:39Z)
LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
論文参考訳（メタデータ） (2020-11-24T08:44:46Z)
A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories [2.908482270923597]
本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
論文参考訳（メタデータ） (2020-07-28T23:33:05Z)
First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
論文参考訳（メタデータ） (2020-07-03T07:04:18Z)
Improving Movement Predictions of Traffic Actors in Bird's-Eye View Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2020-04-14T00:41:17Z)

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。