論文の概要: Diverse Sampling for Normalizing Flow Based Trajectory Forecasting
- arxiv url: http://arxiv.org/abs/2011.15084v1
- Date: Mon, 30 Nov 2020 18:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 23:26:07.551704
- Title: Diverse Sampling for Normalizing Flow Based Trajectory Forecasting
- Title（参考訳）: フローベース軌道予測の正規化のための横サンプリング
- Authors: Yecheng Jason Ma, Jeevana Priya Inala, Dinesh Jayaraman, Osbert
Bastani
- Abstract要約: 本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。
DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
- 参考スコア（独自算出の注目度）: 34.01303881881315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For autonomous cars to drive safely and effectively, they must anticipate the
stochastic future trajectories of other agents in the scene, such as
pedestrians and other cars. Forecasting such complex multi-modal distributions
requires powerful probabilistic approaches. Normalizing flows have recently
emerged as an attractive tool to model such distributions. However, when
generating trajectory predictions from a flow model, a key drawback is that
independent samples often do not adequately capture all the modes in the
underlying distribution. We propose Diversity Sampling for Flow (DSF), a method
for improving the quality and the diversity of trajectory samples from a
pre-trained flow model. Rather than producing individual samples, DSF produces
a set of trajectories in one shot. Given a pre-trained forecasting flow model,
we train DSF using gradients from the model, to optimize an objective function
that rewards high likelihood for individual trajectories in the predicted set,
together with high spatial separation between trajectories. DSF is easy to
implement, and we show that it offers a simple plug-in improvement for several
existing flow-based forecasting models, achieving state-of-art results on two
challenging vehicle and pedestrian forecasting benchmarks.
- Abstract（参考訳）: 自動運転車が安全かつ効果的に運転するためには、歩行者や他の車など、現場の他のエージェントの確率的未来の軌跡を予測しなければならない。
このような複雑なマルチモーダル分布の予測には強力な確率的アプローチが必要である。
正規化フローは、そのような分布をモデル化するための魅力的なツールとして最近登場した。
しかしながら、フローモデルから軌道予測を生成する場合、独立したサンプルが基盤となる分布の全てのモードを適切に捉えていないことが鍵となる。
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させる手法として,DSF(Diversity Smpling for Flow)を提案する。
個々のサンプルを生成するのではなく、dsfは1ショットで一連の軌道を生成する。
事前学習した予測フローモデルを用いて、モデルからの勾配を用いてDSFを訓練し、予測集合内の個々の軌道に対して高い確率を付与する目的関数を、高い空間的分離とともに最適化する。
dsfは実装が容易であり、既存のフローベースの予測モデルに簡単なプラグイン改善を提供し、2つの挑戦的な車両と歩行者予測ベンチマークで最先端の結果を得る。
関連論文リスト
- TrajDiffuse: A Conditional Diffusion Model for Environment-Aware Trajectory Prediction [16.188078087197106]
本稿では,新しい条件付き拡散モデルを用いた計画に基づく軌道予測手法であるTrajDiffuseを提案する。
本研究では, 軌道予測問題を不特定課題として定式化し, 拡散過程の地図に基づくガイダンス項を設計する。
TrajDiffuseは、環境制約にほぼ完全に準拠しながら、SOTAの正確さと多様性を一致または超過する軌道予測を生成することができる。
論文 参考訳（メタデータ） (2024-10-14T17:59:03Z) - Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。
因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
論文 参考訳（メタデータ） (2024-07-01T15:43:25Z) - Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows [1.2972104025246092]
本稿では,軌道生成のためのサンプリング手法について検討する。
変分推論の分野を起源とする正規化フローが検討される。
学習に基づく正規化フローモデルは、入力領域のより効率的な探索のために訓練される。
論文 参考訳（メタデータ） (2024-04-15T10:45:12Z) - Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳（メタデータ） (2024-02-19T15:48:55Z) - GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。
2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。
実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
論文 参考訳（メタデータ） (2023-11-25T03:55:06Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。
提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。
本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
論文 参考訳（メタデータ） (2023-10-23T05:04:23Z) - MotionDiffuser: Controllable Multi-Agent Motion Prediction using
Diffusion [15.146808801331774]
MotionDiffuserは、複数のエージェント上での将来の軌跡の連成分布の拡散に基づく表現である。
そこで本稿では,コスト関数の相違に基づくトラジェクトリサンプリングを可能にする汎用的な制約付きサンプリングフレームワークを提案する。
我々は,Open Motionデータセット上でのマルチエージェント動作予測の最先端結果を得る。
論文 参考訳（メタデータ） (2023-06-05T17:55:52Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z) - 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)
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。