論文の概要: RAIST: Learning Risk Aware Traffic Interactions via Spatio-Temporal Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2011.08722v1
• Date: Tue, 17 Nov 2020 15:49:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 17:33:10.691790
• Title: RAIST: Learning Risk Aware Traffic Interactions via Spatio-Temporal Graph Convolutional Networks
• Title（参考訳）: RAIST:時空間グラフ畳み込みネットワークによる交通相互作用の学習
• Authors: Videsh Suman and Aniket Bera
• Abstract要約: 自動車を運転する上で重要な側面は、その意図を評価し、リスクに敏感な戦術的な決定を行うことである。 本稿では,交通グラフに基づくエゴセントリックなビューのための新しいドライビングフレームワークを提案する。 グラフエッジをトレーニングするために畳み込みネットワーク(ST-GCN)を利用する。
• 参考スコア（独自算出の注目度）: 21.078621492460098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key aspect of driving a road vehicle is to interact with the other road users, assess their intentions and make risk-aware tactical decisions. An intuitive approach of enabling an intelligent automated driving system would be to incorporate some aspects of the human driving behavior. To this end, we propose a novel driving framework for egocentric views, which is based on spatio-temporal traffic graphs. The traffic graphs not only model the spatial interactions amongst the road users, but also their individual intentions through temporally associated message passing. We leverage spatio-temporal graph convolutional network (ST-GCN) to train the graph edges. These edges are formulated using parameterized functions of 3D positions and scene-aware appearance features of road agents. Along with tactical behavior prediction, it is crucial to evaluate the risk assessing ability of the proposed framework. We claim that our framework learns risk aware representations by improving on the task of risk object identification, especially in identifying objects with vulnerable interactions like pedestrians and cyclists.
• Abstract（参考訳）: 自動車を運転する上で重要な側面は、他の道路利用者と対話し、意図を評価し、リスクを意識した戦術的判断を行うことである。 インテリジェントな自動運転システムを実現するための直感的なアプローチは、人間の運転行動のいくつかの側面を取り入れることである。 そこで本研究では,時空間トラヒックグラフに基づくエゴセントリックビューのための新しい駆動フレームワークを提案する。 トラヒックグラフは、道路利用者間の空間的相互作用をモデル化するだけでなく、時間的関連メッセージパッシングを通じて個々の意図をモデル化する。 グラフエッジのトレーニングには時空間グラフ畳み込みネットワーク(ST-GCN)を利用する。 これらのエッジは3次元位置のパラメータ化関数と道路エージェントのシーン認識外観特徴を用いて定式化される。 戦術的行動予測とともに,提案フレームワークのリスク評価能力を評価することが重要である。 我々は,リスクオブジェクト識別のタスク,特に歩行者やサイクリストのような脆弱なインタラクションを持つオブジェクトの識別を改善することで,リスク認識表現を学習する。

関連論文リスト

• GraphAD: Interaction Scene Graph for End-to-end Autonomous Driving [16.245949174447574]
  我々は,エゴ車両,道路エージェント,地図要素間の相互作用をモデル化するための統合手法として,インタラクションシーングラフ(ISG)を提案する。 提案手法をnuScenesデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-03-28T02:22:28Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• 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)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• 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)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
  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。
  論文  参考訳（メタデータ） (2020-09-27T18:20:03Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• 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)

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。