論文の概要: Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases
- arxiv url: http://arxiv.org/abs/2011.11190v1
- Date: Mon, 23 Nov 2020 03:13:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 03:07:04.312294
- Title: Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases
- Title（参考訳）: Attentional-GCNN: 遺伝性自律走行車症例に対する適応的歩行者軌道予測
- Authors: Kunming Li, Stuart Eiffert, Mao Shan, Francisco Gomez-Donoso, Stewart
Worrall and Eduardo Nebot
- Abstract要約: 本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
- 参考スコア（独自算出の注目度）: 10.41902340952981
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicle navigation in shared pedestrian environments requires the
ability to predict future crowd motion both accurately and with minimal delay.
Understanding the uncertainty of the prediction is also crucial. Most existing
approaches however can only estimate uncertainty through repeated sampling of
generative models. Additionally, most current predictive models are trained on
datasets that assume complete observability of the crowd using an aerial view.
These are generally not representative of real-world usage from a vehicle
perspective, and can lead to the underestimation of uncertainty bounds when the
on-board sensors are occluded. Inspired by prior work in motion prediction
using spatio-temporal graphs, we propose a novel Graph Convolutional Neural
Network (GCNN)-based approach, Attentional-GCNN, which aggregates information
of implicit interaction between pedestrians in a crowd by assigning attention
weight in edges of the graph. Our model can be trained to either output a
probabilistic distribution or faster deterministic prediction, demonstrating
applicability to autonomous vehicle use cases where either speed or accuracy
with uncertainty bounds are required. To further improve the training of
predictive models, we propose an automatically labelled pedestrian dataset
collected from an intelligent vehicle platform representative of real-world
use. Through experiments on a number of datasets, we show our proposed method
achieves an improvement over the state of art by 10% Average Displacement Error
(ADE) and 12% Final Displacement Error (FDE) with fast inference speeds.
- Abstract（参考訳）: 共有歩行者環境における自律走行車両ナビゲーションは、将来の群衆の動きを正確かつ最小限の遅延で予測する能力を必要とする。
予測の不確実性を理解することも重要である。
しかし、既存のアプローチは生成モデルの繰り返しサンプリングによってのみ不確実性を推定できる。
さらに、現在の予測モデルは、空中ビューを使用して群衆の完全な可観測性を前提としたデータセットに基づいて訓練されている。
これらは一般的に、車両の観点から実世界の用途を表すものではなく、搭載センサーが遮蔽されたときに不確実性の境界が過小評価される可能性がある。
時空間グラフを用いた動き予測における先行研究から着想を得た新しいグラフ畳み込みニューラルネット(GCNN)ベースのアプローチであるAttentional-GCNNを提案し,グラフの端に注意重みを割り当てることで,群衆の歩行者間の暗黙的な相互作用に関する情報を集約する。
我々のモデルは、確率分布を出力するか、より早い決定論的予測を訓練することができ、速度または不確実性境界の精度が要求される自動運転車のユースケースに適用可能である。
予測モデルのトレーニングをさらに改善するため,実世界利用を表すインテリジェントな車両プラットフォームから収集した自動ラベル付き歩行者データセットを提案する。
提案手法は,多数のデータセットを用いた実験により,10%平均変位誤差(ADE)と12%最終変位誤差(FDE)を高速な推論速度で向上することを示す。
関連論文リスト
- GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。
GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。
我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
論文 参考訳（メタデータ） (2024-04-09T05:51:40Z) - Arrival Time Prediction for Autonomous Shuttle Services in the Real
World: Evidence from Five Cities [3.6294895527930504]
本研究では,自律型シャトルのAT予測システムを提案する。
停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。
最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
論文 参考訳（メタデータ） (2024-01-10T18:41:39Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-03T22:04:00Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - 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) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction
using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。
ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。
本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
論文 参考訳（メタデータ） (2020-06-23T11:25:16Z)
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。