論文の概要: LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting

• arxiv url: http://arxiv.org/abs/2101.06653v1
• Date: Sun, 17 Jan 2021 11:54:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 00:41:48.068022
• Title: LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting
• Title（参考訳）: LaneRCNN: グラフ中心モーション予測のための分散表現
• Authors: Wenyuan Zeng, Ming Liang, Renjie Liao, Raquel Urtasun
• Abstract要約: LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
• 参考スコア（独自算出の注目度）: 104.8466438967385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting the future behaviors of dynamic actors is an important task in many robotics applications such as self-driving. It is extremely challenging as actors have latent intentions and their trajectories are governed by complex interactions between the other actors, themselves, and the maps. In this paper, we propose LaneRCNN, a graph-centric motion forecasting model. Importantly, relying on a specially designed graph encoder, we learn a local lane graph representation per actor (LaneRoI) to encode its past motions and the local map topology. We further develop an interaction module which permits efficient message passing among local graph representations within a shared global lane graph. Moreover, we parameterize the output trajectories based on lane graphs, a more amenable prediction parameterization. Our LaneRCNN captures the actor-to-actor and the actor-to-map relations in a distributed and map-aware manner. We demonstrate the effectiveness of our approach on the large-scale Argoverse Motion Forecasting Benchmark. We achieve the 1st place on the leaderboard and significantly outperform previous best results.
• Abstract（参考訳）: ダイナミックアクタの将来的な振る舞いを予測することは、自動運転のような多くのロボットアプリケーションにおいて重要なタスクである。 俳優は遅滞した意図を持ち、その軌道は他の俳優たちと自分自身と地図の間の複雑な相互作用によって支配されるため、非常に難しい。 本稿では,グラフ中心の動き予測モデルであるLaneRCNNを提案する。 重要なことは、特別に設計されたグラフエンコーダに頼って、アクターごとの局所レーングラフ表現(LaneRoI)を学び、過去の動きと局所地図トポロジを符号化することである。 さらに,共有グローバルレーングラフ内の局所グラフ表現間の効率的なメッセージパッシングを可能にするインタラクションモジュールを開発した。 さらに、車線グラフに基づく出力トラジェクタのパラメータ化を行い、より快適な予測パラメータ化を行う。 lanercnnは、アクター対アクタとアクタ対マップの関係を、分散およびマップ認識の方法でキャプチャします。 大規模Argoverse Motion Forecasting Benchmarkにおける提案手法の有効性を示す。 私たちはリーダーボードで1位を獲得し、以前の最高の結果を大きく上回っています。

関連論文リスト

• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting [2.3852339280654173]
  軌道予測は知的車両や社会ロボットの分野で重要な役割を果たしている。 最近の研究は、空間的社会的影響や時間的動きの注意をモデル化することに重点を置いているが、運動の固有の特性を無視している。 本稿では,車両軌道予測のための文脈自由な階層型運動デコーダネットワーク(HMNet)を提案する。
  論文  参考訳（メタデータ） (2021-11-26T06:12:19Z)
• Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction [53.473846742702854]
  本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。 Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。 提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
  論文  参考訳（メタデータ） (2021-08-12T15:53:37Z)
• 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)
• 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)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)
• CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation [12.580809204729583]
  グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。 提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
  論文  参考訳（メタデータ） (2020-05-02T09:10:30Z)

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。