Fugu-MT 論文翻訳(概要): Single Shot Multitask Pedestrian Detection and Behavior Prediction

論文の概要: Single Shot Multitask Pedestrian Detection and Behavior Prediction

arxiv url: http://arxiv.org/abs/2101.02232v1
Date: Wed, 6 Jan 2021 19:10:23 GMT
ステータス: 処理完了
システム内更新日: 2021-04-11 00:12:48.779530
Title: Single Shot Multitask Pedestrian Detection and Behavior Prediction
Title（参考訳）: シングルショットマルチタスク歩行者検出と行動予測
Authors: Prateek Agrawal and Pratik Prabhanjan Brahma
Abstract要約: カメラに基づく歩行者検出と意図予測を行うための空間時空間マルチタスキングを用いた新しいアーキテクチャを提案する。提案手法は,全歩行者の意図を単一ショットで検出し,予測することにより,遅延を著しく低減する。
参考スコア（独自算出の注目度）: 9.147707153504117
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Detecting and predicting the behavior of pedestrians is extremely crucial for self-driving vehicles to plan and interact with them safely. Although there have been several research works in this area, it is important to have fast and memory efficient models such that it can operate in embedded hardware in these autonomous machines. In this work, we propose a novel architecture using spatial-temporal multi-tasking to do camera based pedestrian detection and intention prediction. Our approach significantly reduces the latency by being able to detect and predict all pedestrians' intention in a single shot manner while also being able to attain better accuracy by sharing features with relevant object level information and interactions.
Abstract（参考訳）: 歩行者の行動を検知し、予測することは、自動運転車が安全に計画し、対話する上で極めて重要である。この分野にはいくつかの研究があるが、高速でメモリ効率の良いモデルを持つことは重要である。本研究では,空間的時間的マルチタスクによる歩行者検出と意図予測を行う新しいアーキテクチャを提案する。提案手法は,すべての歩行者の意図を単一ショットで検出・予測できると同時に,関連するオブジェクトレベルの情報やインタラクションで特徴を共有することで,より正確な精度を実現することによって,遅延を著しく低減する。

関連論文リスト

IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
論文参考訳（メタデータ） (2023-11-26T05:17:11Z)
Polar Collision Grids: Effective Interaction Modelling for Pedestrian Trajectory Prediction in Shared Space Using Collision Checks [3.809702129519642]
軌道予測は、自動運転車の安全な航法にとって重要な能力である。歩行者と歩行者の相互作用をモデル化することは、歩行者の軌道予測モデルの精度を高めることができる。
論文参考訳（メタデータ） (2023-08-13T00:20:22Z)
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)
Learning Pedestrian Actions to Ensure Safe Autonomous Driving [12.440017892152417]
自動運転車は、歩行者の短期的かつ即時的な行動をリアルタイムで予測する能力を持つことが重要である。本研究では,歩行者行動と軌跡予測のために,トランスフォーマーエンコーダデコーダ (TF-ed) アーキテクチャを用いた新しいマルチタスクシーケンスを提案する。提案手法は,既存のLSTMエンコーダデコーダ (LSTM-ed) アーキテクチャを用いて動作と軌道予測を行う。
論文参考訳（メタデータ） (2023-05-22T14:03:38Z)
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)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
Predicting Pedestrian Crossing Intention with Feature Fusion and Spatio-Temporal Attention [0.0]
歩行者の交差の意図は都市運転のためにリアルタイムで認識されるべきです。最近の研究は、このタスクに視覚ベースのディープニューラルネットワークモデルを使用することの可能性を示している。本研究は,歩行者横断意図予測において,本質的に異なる時間的特徴を融合するニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-04-12T14:10:25Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)
Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文参考訳（メタデータ） (2021-01-07T06:08:21Z)
Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文参考訳（メタデータ） (2020-10-20T13:42:31Z)

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。