論文の概要: Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position Estimation

• arxiv url: http://arxiv.org/abs/2010.01114v1
• Date: Fri, 2 Oct 2020 17:17:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 02:02:11.582335
• Title: Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position Estimation
• Title（参考訳）: Goal-GAN:ゴール位置推定に基づくマルチモーダル軌道予測
• Authors: Patrick Dendorfer and Aljo\v{s}a O\v{s}ep and Laura Leal-Taix\'e
• Abstract要約: 本稿では,人間の軌道予測のための解釈可能な,エンドツーエンドのトレーニング可能なモデルであるGoal-GANを提案する。 人間のナビゲーションにヒントを得て、軌道予測のタスクを直感的な2段階のプロセスとしてモデル化する。
• 参考スコア（独自算出の注目度）: 1.20855096102517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present Goal-GAN, an interpretable and end-to-end trainable model for human trajectory prediction. Inspired by human navigation, we model the task of trajectory prediction as an intuitive two-stage process: (i) goal estimation, which predicts the most likely target positions of the agent, followed by a (ii) routing module which estimates a set of plausible trajectories that route towards the estimated goal. We leverage information about the past trajectory and visual context of the scene to estimate a multi-modal probability distribution over the possible goal positions, which is used to sample a potential goal during the inference. The routing is governed by a recurrent neural network that reacts to physical constraints in the nearby surroundings and generates feasible paths that route towards the sampled goal. Our extensive experimental evaluation shows that our method establishes a new state-of-the-art on several benchmarks while being able to generate a realistic and diverse set of trajectories that conform to physical constraints.
• Abstract（参考訳）: 本稿では、人間の軌道予測のための解釈可能でエンドツーエンドの訓練可能なモデルであるgoal-ganを提案する。 人間のナビゲーションにヒントを得て、軌道予測のタスクを直感的な2段階のプロセスとしてモデル化する。 (i) エージェントの最も可能性の高い目標位置を予測し、次にaを推定する目標推定 (ii) 推定目標に向かってルートする可塑性軌道の集合を推定するルーティングモジュール。 本研究では,過去の軌跡や視覚的状況の情報を利用して,想定される目標位置上の多モーダル確率分布を推定し,推定中に潜在的目標をサンプリングする。 ルーティングは、近くの周囲の物理的制約に反応し、サンプルされた目標に向かってルートする実行可能なパスを生成する、リカレントニューラルネットワークによって制御される。 実験により,本手法は,物理制約に適合した現実的で多様な軌跡を生成できると同時に,いくつかのベンチマークで新たな最先端性を確立したことを示す。

関連論文リスト

• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• 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)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• DenseTNT: Waymo Open Dataset Motion Prediction Challenge 1st Place Solution [14.783327438913025]
  自律運転では、ゴールベースの多軌道予測手法が最近有効であることが証明され、まず最初にゴール候補を決め、次に最終目標を選択し、最後に選択した目標に基づいて軌道を完了させる。 本研究では,軌道予測のための高密度目標確率推定を行うアンカーフリーモデルDenseTNTを提案する。
  論文  参考訳（メタデータ） (2021-06-27T07:21:29Z)
• Stepwise Goal-Driven Networks for Trajectory Prediction [24.129731432223416]
  観測されたエージェントの将来の軌跡を,複数の時間スケールで推定し,その目標を用いて予測することを提案する。 SGNet(Stepwise Goal-Driven Network)という新しい軌道予測ネットワークを提案する。 特に、フレームワークには、履歴情報をキャプチャするエンコーダモジュール、一連の目標を未来に予測するステップワイズ目標推定モジュール、将来の軌道を予測するデコーダモジュールが組み込まれています。
  論文  参考訳（メタデータ） (2021-03-25T19:51:54Z)
• 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)
• Goal-driven Long-Term Trajectory Prediction [30.054850639996033]
  本稿では,歩行者の目標を決定する仮説的プロセスと,そのプロセスが長期的将来の軌道に与える影響をモデル化することを提案する。 このような直感を実現するデュアルチャネルニューラルネットワークであるゴール駆動軌道予測モデルを設計する。 モデルは様々な環境で、特に大きな予測地平線において、最先端のモデルよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T10:47:33Z)
• Map-Adaptive Goal-Based Trajectory Prediction [3.1948816877289263]
  本稿では,多モーダル・長期車両軌道予測のための新しい手法を提案する。 提案手法は,各車両に提案された目標経路の集合を生成するために,環境のリッチマップで捉えた車線中心線を利用することに依存する。 本モデルは,6秒の水平線上での車両軌道予測において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-09T17:57:01Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  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。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)

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。