論文の概要: Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph

• arxiv url: http://arxiv.org/abs/2009.12916v1
• Date: Sun, 27 Sep 2020 18:20:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:09:00.755482
• Title: Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph
• Title（参考訳）: ハイブリッドトラヒックグラフによるインタラクションに基づく軌道予測
• Authors: Sumit Kumar, Yiming Gu, Jerrick Hoang, Galen Clark Haynes, Micol Marchetti-Bowick
• Abstract要約: 本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。 アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。 提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
• 参考スコア（独自算出の注目度）: 4.574413934477815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior prediction of traffic actors is an essential component of any real-world self-driving system. Actors' long-term behaviors tend to be governed by their interactions with other actors or traffic elements (traffic lights, stop signs) in the scene. To capture this highly complex structure of interactions, we propose to use a hybrid graph whose nodes represent both the traffic actors as well as the static and dynamic traffic elements present in the scene. The different modes of temporal interaction (e.g., stopping and going) among actors and traffic elements are explicitly modeled by graph edges. This explicit reasoning about discrete interaction types not only helps in predicting future motion, but also enhances the interpretability of the model, which is important for safety-critical applications such as autonomous driving. We predict actors' trajectories and interaction types using a graph neural network, which is trained in a semi-supervised manner. We show that our proposed model, TrafficGraphNet, achieves state-of-the-art trajectory prediction accuracy while maintaining a high level of interpretability.
• Abstract（参考訳）: 交通機関の行動予測は、現実の自動運転システムにおいて不可欠な要素である。 俳優の長期的な行動は、シーン内の他の俳優や交通要素(交通信号、停止標識)との相互作用によって制御される傾向がある。 この高度に複雑な相互作用構造を捉えるために,ノードがトラフィックアクターと静的および動的トラフィック要素の両方を表すハイブリッドグラフを提案する。 アクタとトラフィック要素間の時間的相互作用(例えば停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。 この離散的相互作用型に関する明確な推論は、将来の動きを予測するだけでなく、自律運転のような安全クリティカルなアプリケーションにとって重要なモデルの解釈可能性を高める。 半教師付きで訓練されたグラフニューラルネットワークを用いて,アクターの軌跡やインタラクションタイプを予測する。 提案モデルであるTrafficGraphNetは,高い解釈性を維持しつつ,最先端の軌道予測精度を実現する。

関連論文リスト

• Heterogeneous Graph-based Trajectory Prediction using Local Map Context and Social Interactions [47.091620047301305]
  本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。 まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。 第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
  論文  参考訳（メタデータ） (2023-11-30T13:46:05Z)
• Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
  本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。 このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。 我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
  論文  参考訳（メタデータ） (2023-09-05T06:28:13Z)
• Holistic Graph-based Motion Prediction [2.365702128814616]
  ヘテロジニアスな全体グラフ表現に基づくグラフに基づく動き予測の新しい手法を提案する。 情報は異なるタイプのノードとエッジを通じてエンコードされ、どちらも任意の機能でリッチ化されている。
  論文  参考訳（メタデータ） (2023-01-31T10:46:46Z)
• Relation-based Motion Prediction using Traffic Scene Graphs [12.68339084600328]
  交通現場の関連情報を表現し,その環境を理解することは,自動運転の成功に不可欠である。 本研究では,交通参加者に関する様々な予測を行うために,交通シーンを空間意味シーングラフの形式でモデル化する。 我々の学習と推論手法はグラフニューラルネットワーク(GNN)を用いて,交通参加者間の空間的意味関係に関する明示的な情報を取り入れることで,述語結果が改善されることを示す。
  論文  参考訳（メタデータ） (2022-11-24T13:04:08Z)
• LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
  LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
  論文  参考訳（メタデータ） (2021-01-17T11:54:49Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
  論文  参考訳（メタデータ） (2020-04-07T00:34:36Z)

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。