論文の概要: PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction in 3D

• arxiv url: http://arxiv.org/abs/2012.07773v1
• Date: Mon, 14 Dec 2020 18:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:19:23.012669
• Title: PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction in 3D
• Title（参考訳）: PePScenes: 歩行者行動予測のための新しいデータセットとベースライン
• Authors: Amir Rasouli, Tiffany Yau, Peter Lakner, Saber Malekmohammadi, Mohsen Rohani, Jun Luo
• Abstract要約: nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。 また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 10.580548257913843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the behavior of road users, particularly pedestrians, is vital for safe motion planning in the context of autonomous driving systems. Traditionally, pedestrian behavior prediction has been realized in terms of forecasting future trajectories. However, recent evidence suggests that predicting higher-level actions, such as crossing the road, can help improve trajectory forecasting and planning tasks accordingly. There are a number of existing datasets that cater to the development of pedestrian action prediction algorithms, however, they lack certain characteristics, such as bird's eye view semantic map information, 3D locations of objects in the scene, etc., which are crucial in the autonomous driving context. To this end, we propose a new pedestrian action prediction dataset created by adding per-frame 2D/3D bounding box and behavioral annotations to the popular autonomous driving dataset, nuScenes. In addition, we propose a hybrid neural network architecture that incorporates various data modalities for predicting pedestrian crossing action. By evaluating our model on the newly proposed dataset, the contribution of different data modalities to the prediction task is revealed. The dataset is available at https://github.com/huawei-noah/PePScenes.
• Abstract（参考訳）: 道路利用者,特に歩行者の行動を予測することは,自動運転システムにおける安全な移動計画に不可欠である。 従来、歩行者行動予測は将来の軌道予測の観点から実現されてきた。 しかし,近年の研究では,道路横断などの高次行動予測が軌道予測や計画作業の改善に役立つことが示唆されている。 歩行者行動予測アルゴリズムの開発には、既存のデータセットが多数存在するが、鳥の目図の意味地図情報、シーン内の物体の3d位置など、自動運転の文脈において重要な特徴を欠いている。 そこで本研究では,一般的な自動運転データセットnuScenesにフレーム単位の2D/3Dバウンディングボックスと行動アノテーションを追加することで,新たな歩行者行動予測データセットを提案する。 さらに,歩行者横断行動を予測するための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。 提案したデータセット上でモデルを評価することにより,予測タスクに対する異なるデータモダリティの寄与を明らかにする。 データセットはhttps://github.com/huawei-noah/PePScenesで公開されている。

関連論文リスト

• Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving [13.126949982768505]
  歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。 都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。 本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T11:24:38Z)
• Pedestrian 3D Bounding Box Prediction [83.7135926821794]
  我々は、自動運転車の複雑な動きの詳細をモデル化せずに、人間の合理的な推定値である3Dバウンディングボックスに焦点を当てる。 本稿では, 歩行者の3次元境界ボックス予測のための, 単純かつ効果的なモデルを提案する。 この方法は、繰り返しニューラルネットワークに基づくエンコーダ・デコーダアーキテクチャに従う。
  論文  参考訳（メタデータ） (2022-06-28T17:59:45Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Graph-SIM: A Graph-based Spatiotemporal Interaction Modelling for Pedestrian Action Prediction [10.580548257913843]
  本稿では,歩行者の横断行動を予測するための新しいグラフベースモデルを提案する。 既存のnuScenesデータセットに対して、3Dバウンディングボックスと歩行者行動アノテーションを提供する新しいデータセットを紹介します。 提案手法は,既存の手法と比較して,様々な指標を15%以上改善し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-12-03T18:28:27Z)
• STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and Trajectory Prediction [24.855059537779294]
  本稿では、新しいエンドツーエンド2段階ネットワーク:spatio--Interactive Network(STINet)を提案する。 歩行者の3次元形状に加えて,歩行者ごとの時間情報をモデル化する。 提案手法は,1段目における現在位置と過去の位置の両方を予測し,各歩行者をフレーム間でリンクできるようにする。
  論文  参考訳（メタデータ） (2020-05-08T18:43:01Z)
• Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
  本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。 最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。 第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。 第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
  論文  参考訳（メタデータ） (2020-04-29T14:59:58Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。