論文の概要: Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections

• arxiv url: http://arxiv.org/abs/2011.03894v1
• Date: Sun, 8 Nov 2020 02:56:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 08:09:26.284252
• Title: Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections
• Title（参考訳）: 非制御交差点でのナビゲーションのための位相不変性によるマルチモーダル軌道予測
• Authors: Junha Roh, Christoforos Mavrogiannis, Rishabh Madan, Dieter Fox, Siddhartha S. Srinivasa
• Abstract要約: 道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。 我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。 マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
• 参考スコア（独自算出の注目度）: 45.508973373913946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on decentralized navigation among multiple non-communicating rational agents at \emph{uncontrolled} intersections, i.e., street intersections without traffic signs or signals. Avoiding collisions in such domains relies on the ability of agents to predict each others' intentions reliably, and react quickly. Multiagent trajectory prediction is NP-hard whereas the sample complexity of existing data-driven approaches limits their applicability. Our key insight is that the geometric structure of the intersection and the incentive of agents to move efficiently and avoid collisions (rationality) reduces the space of likely behaviors, effectively relaxing the problem of trajectory prediction. In this paper, we collapse the space of multiagent trajectories at an intersection into a set of modes representing different classes of multiagent behavior, formalized using a notion of topological invariance. Based on this formalism, we design Multiple Topologies Prediction (MTP), a data-driven trajectory-prediction mechanism that reconstructs trajectory representations of high-likelihood modes in multiagent intersection scenes. We show that MTP outperforms a state-of-the-art multimodal trajectory prediction baseline (MFP) in terms of prediction accuracy by 78.24% on a challenging simulated dataset. Finally, we show that MTP enables our optimization-based planner, MTPnav, to achieve collision-free and time-efficient navigation across a variety of challenging intersection scenarios on the CARLA simulator.
• Abstract（参考訳）: 我々は,信号機や信号機を持たない道路交差点において,複数の非通信有理エージェント間の分散ナビゲーションに着目した。 このような領域での衝突を避けるには、エージェントが互いの意図を確実に予測し、迅速に反応する能力に依存する。 既存のデータ駆動アプローチのサンプルの複雑さは適用性を制限するが、マルチエージェント軌道予測はNPハードである。 我々の重要な洞察は、交差点の幾何学的構造と、衝突を避けるためのエージェントのインセンティブが、潜在的な行動の空間を減少させ、軌道予測の問題を効果的に緩和することである。 本稿では,交点におけるマルチエージェント軌道の空間を,位相不変性の概念を用いて定式化した多エージェント挙動の異なるクラスを表すモードの集合に分解する。 この形式に基づいて,マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。 MTPは, 予測精度を78.24%向上させることで, 最先端のマルチモーダル軌道予測ベースライン(MFP)より優れていることを示す。 最後に, MTPにより, CARLAシミュレータ上での様々な交差点シナリオにおける衝突のない, 時間効率なナビゲーションを実現することができることを示す。

関連論文リスト

• Controllable Diverse Sampling for Diffusion Based Motion Behavior Forecasting [11.106812447960186]
  制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。 CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。 マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-06T13:16:54Z)
• A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory Prediction [4.181632607997678]
  深層学習(DL)と強化学習(RL)の階層的ハイブリッドフレームワークを提案する。 DLの段階では、トラフィックシーンは、トランスフォーマースタイルのGNNが異種相互作用を符号化するために採用される複数の中間スケールの異種グラフに分割される。 RLの段階では、DLの段階で予測される重要な将来点を利用して、交通シーンを局所的なサブシーンに分割する。
  論文  参考訳（メタデータ） (2023-03-22T02:47:42Z)
• Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
  軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。 本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。 複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-12T16:23:27Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• 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)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Diverse and Admissible Trajectory Forecasting through Multimodal Context Understanding [46.52703817997932]
  自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。 マルチモーダル世界から複数の入力信号を合成するモデルを提案する。 従来の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-06T13:59:39Z)
• MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory Prediction in Mixed Traffic [35.22312783822563]
  都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。 本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。 推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
  論文  参考訳（メタデータ） (2020-02-14T11:04:41Z)

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。