論文の概要: Deep Kalman Filter: A Refinement Module for the Rollout Trajectory
Prediction Methods
- arxiv url: http://arxiv.org/abs/2102.10859v1
- Date: Mon, 22 Feb 2021 09:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 00:24:08.060874
- Title: Deep Kalman Filter: A Refinement Module for the Rollout Trajectory
Prediction Methods
- Title(参考訳): Deep Kalman Filter: ロールアウト軌道予測法のためのリファインメントモジュール
- Authors: Qifan Xue, Xuanpeng Li, Jingwen Zhao, Weigong Zhang
- Abstract要約: 軌道予測は、インテリジェント車両の分野で重要な役割を果たします。
本稿では,軌道予測のための深層ニューラルネットワークに基づくパラメトリック学習カルマンフィルタを提案する。
- 参考スコア(独自算出の注目度): 2.7955111755177695
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory prediction plays a pivotal role in the field of intelligent
vehicles. It currently suffers from several challenges, e.g., accumulative
error in rollout process and weak adaptability in various scenarios. This paper
proposes a parametric-learning Kalman filter based on deep neural network for
trajectory prediction. We design a flexible plug-in module which can be readily
implanted into most rollout approaches. Kalman points are proposed to capture
the long-term prediction stability from the global perspective. We carried
experiments out on the NGSIM dataset. The promising results indicate that our
method could improve rollout trajectory prediction methods effectively.
- Abstract(参考訳): 軌道予測は、インテリジェント車両の分野で重要な役割を果たします。
例えば、ロールアウトプロセスにおける累積誤差や、さまざまなシナリオにおける弱い適応性などである。
本稿では,軌道予測のための深層ニューラルネットワークに基づくパラメトリック学習カルマンフィルタを提案する。
我々は、ほとんどのロールアウトアプローチに簡単に組み込むことができるフレキシブルなプラグインモジュールを設計する。
カルマン点を世界的視点から長期予測安定性を捉えることを提案する。
NGSIMデータセットを用いて実験を行った。
その結果,本手法はロールアウト軌道予測法を効果的に改善できる可能性が示唆された。
関連論文リスト
- Traj-Explainer: An Explainable and Robust Multi-modal Trajectory Prediction Approach [12.60529039445456]
複雑な交通環境のナビゲーションはインテリジェントな技術の進歩によって大幅に向上し、自動車の正確な環境認識と軌道予測を可能にした。
既存の研究は、しばしばシナリオエージェントの合同推論を無視し、軌道予測モデルにおける解釈可能性に欠ける。
本研究では, 説明可能な拡散条件に基づく多モード軌道予測トラj-Explainerという, 説明可能性指向の軌道予測モデルが設計されている。
論文 参考訳(メタデータ) (2024-10-22T08:17:33Z) - Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-17T11:47:56Z) - Motion Forecasting via Model-Based Risk Minimization [8.766024024417316]
複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。
まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。
基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
論文 参考訳(メタデータ) (2024-09-16T09:03:28Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳(メタデータ) (2024-03-20T17:41:35Z) - Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳(メタデータ) (2023-05-31T03:48:49Z) - Model Predictive Control with Gaussian-Process-Supported Dynamical
Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。
マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文 参考訳(メタデータ) (2023-03-08T17:14:57Z) - Decision-Oriented Learning with Differentiable Submodular Maximization
for Vehicle Routing Problem [23.211667169614227]
文脈観測(入力)をサブモジュール関数(出力)のパラメータにマッピングする関数の学習問題について検討する。
本稿では,タスク最適化を予測フェーズにおける微分可能な層として組み込んだフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-02T19:19:39Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - 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) - Long-term Pedestrian Trajectory Prediction using Mutable Intention
Filter and Warp LSTM [3.2059799592315787]
軌道予測は、ロボットが歩行者を安全にナビゲートし、操作するための重要な能力の1つだ。
本研究では,人間の意図を推定し,軌道予測を行うために,ミュータブルインテンションフィルタとワープLSTMを組み込んだフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-30T21:23:00Z)
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。