論文の概要: Spatial-Channel Transformer Network for Trajectory Prediction on the Traffic Scenes

• arxiv url: http://arxiv.org/abs/2101.11472v1
• Date: Wed, 27 Jan 2021 15:03:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 03:19:19.179117
• Title: Spatial-Channel Transformer Network for Trajectory Prediction on the Traffic Scenes
• Title（参考訳）: トラヒックシーンにおける軌道予測のための空間チャネルトランスフォーマネットワーク
• Authors: Jingwen Zhao, Xuanpeng Li, Qifan Xue, Weigong Zhang
• Abstract要約: 本稿では,注意機能付き軌道予測のための空間チャネル変換器ネットワークを提案する。 エージェント間の社会的相互作用を測定するために、チャネルワイズモジュールが挿入される。 このネットワークは,交通現場における実世界の軌道予測データセットにおいて,有望な結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.7955111755177695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting motion of surrounding agents is critical to real-world applications of tactical path planning for autonomous driving. Due to the complex temporal dependencies and social interactions of agents, on-line trajectory prediction is a challenging task. With the development of attention mechanism in recent years, transformer model has been applied in natural language sequence processing first and then image processing. In this paper, we present a Spatial-Channel Transformer Network for trajectory prediction with attention functions. Instead of RNN models, we employ transformer model to capture the spatial-temporal features of agents. A channel-wise module is inserted to measure the social interaction between agents. We find that the Spatial-Channel Transformer Network achieves promising results on real-world trajectory prediction datasets on the traffic scenes.
• Abstract（参考訳）: 周囲のエージェントの動作予測は、自動運転のための戦術的経路計画の現実的な応用に不可欠である。 エージェントの複雑な時間的依存と社会的相互作用のため、オンライン軌道予測は難しい課題である。 近年の注目メカニズムの発展に伴い、まず自然言語のシーケンス処理と画像処理にトランスモデルが適用されています。 本稿では,注意機能付き軌道予測のための空間チャネル変換器ネットワークを提案する。 RNNモデルの代わりに、エージェントの時空間的特徴を捉えるためにトランスフォーマーモデルを用いる。 エージェント間の社会的相互作用を測定するためにチャンネルワイズモジュールを挿入する。 Spatial-Channel Transformer Networkは、トラフィックシーンにおける実世界の軌道予測データセットの有望な結果を達成する。

関連論文リスト

• Spatial and social situation-aware transformer-based trajectory prediction of autonomous systems [2.498836880652668]
  エージェントの振る舞いを所定の状況で予測するには、時間内に適切に反応する必要がある。 近年,深層学習に基づくモデルが動き予測の主流となっている。 より長い予測地平線の場合、予測軌道の地平線からの偏差は、空間的・社会的に非依存なモデルに比べて低い。
  論文  参考訳（メタデータ） (2024-06-04T20:36:16Z)
• SocialFormer: Social Interaction Modeling with Edge-enhanced Heterogeneous Graph Transformers for Trajectory Prediction [3.733790302392792]
  SocialFormerはエージェント間相互作用を意識した軌道予測手法である。 本稿では,エージェント動作の時間的社会的挙動をモデル化するために,ゲートリカレント単位(GRU)に基づくテンポラルエンコーダを提案する。 一般的なnuScenesベンチマークの軌道予測タスクとしてSocialFormerを評価し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-06T19:47:23Z)
• S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving [7.862992905548721]
  本稿では,S時間変換器による時空間相互作用をモデル化し,時空間変換器によるテンポレルシーケンスを扱うS2TNetを提案する。 この手法は、ApolloScape Trajectoryデータセットにおける最先端の手法を平均と最終変位誤差の重み付け和で7%以上上回る。
  論文  参考訳（メタデータ） (2022-06-22T08:12:31Z)
• Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network [7.150832716115448]
  交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。 このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。 本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T13:08:04Z)
• Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
  畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。 連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
  論文  参考訳（メタデータ） (2021-03-22T18:00:13Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
  本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。 対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。 提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2020-07-06T03:48:08Z)
• Spatio-Temporal Graph Transformer Networks for Pedestrian Trajectory Prediction [29.602903750712713]
  本稿では, 軌跡予測に注意機構のみを応用した, 時空間型graAph tRansフレームワークSTARを提案する。 この結果から,STARは5つの現実世界の歩行者予測データセット上で最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-18T08:08:09Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。