論文の概要: Open-set Intersection Intention Prediction for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2103.00140v1
- Date: Sat, 27 Feb 2021 06:38:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:08:25.624031
- Title: Open-set Intersection Intention Prediction for Autonomous Driving
- Title(参考訳): 自律運転におけるオープンセット区間意図予測
- Authors: Fei Li, Xiangxu Li, Shiwei Fan, Hongbo Zhang and Jun Luo
- Abstract要約: 交点における意図の予測をオープンセット予測問題として定式化する。
空間時間グラフ表現の下での交差構造に対応する地図中心の特徴を捉える。
2つのmaam (mutually auxiliary attention module) を用いて,マップ中心の特徴空間における交叉要素に最もよくマッチする目標を予測する。
- 参考スコア(独自算出の注目度): 9.494867137826397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intention prediction is a crucial task for Autonomous Driving (AD). Due to
the variety of size and layout of intersections, it is challenging to predict
intention of human driver at different intersections, especially unseen and
irregular intersections. In this paper, we formulate the prediction of
intention at intersections as an open-set prediction problem that requires
context specific matching of the target vehicle state and the diverse
intersection configurations that are in principle unbounded. We capture
map-centric features that correspond to intersection structures under a
spatial-temporal graph representation, and use two MAAMs (mutually auxiliary
attention module) that cover respectively lane-level and exitlevel intentions
to predict a target that best matches intersection elements in map-centric
feature space. Under our model, attention scores estimate the probability
distribution of the openset intentions that are contextually defined by the
structure of the current intersection. The proposed model is trained and
evaluated on simulated dataset. Furthermore, the model, trained on simulated
dataset and without any fine tuning, is directly validated on in-house
real-world dataset collected at 98 realworld intersections and exhibits
satisfactory performance,demonstrating the practical viability of our approach.
- Abstract(参考訳): 意図予測は自律運転(AD)にとって重要な課題である。
交差点のサイズとレイアウトの多様性のために、異なる交差点、特に見えないと不規則な交差点で人間のドライバーの意図を予測することは困難です。
本稿では,目標車両状態のコンテキスト特異的なマッチングと,原則的に非有界な多様な交差点構成を必要とするオープンセット予測問題として,交差点における意図の予測を定式化する。
空間-時間グラフ表現下の交叉構造に対応するマップ中心の特徴を捉え,レーンレベルと出口レベルのそれぞれをカバーする2つのmaam (mutually auxiliary attention module) を用いて,マップ中心の特徴空間の交叉要素に最適な目標を予測する。
本モデルでは,現在の交差点の構造によって文脈的に定義されるオープンセット意図の確率分布を注意スコアで推定する。
提案モデルはシミュレーションデータセット上でトレーニングされ評価される。
さらに,実世界の98の交差点で収集した実世界のデータセット上で,シミュレーションデータセットでトレーニングされたモデルを直接検証し,本手法の実用性について検討した。
関連論文リスト
- Heterogeneous Graph-based Trajectory Prediction using Local Map Context
and Social Interactions [47.091620047301305]
本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。
まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。
第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
論文 参考訳(メタデータ) (2023-11-30T13:46:05Z) - Pixel State Value Network for Combined Prediction and Planning in
Interactive Environments [9.117828575880303]
本研究は,予測と計画を組み合わせた深層学習手法を提案する。
U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。
結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
論文 参考訳(メタデータ) (2023-10-11T17:57:13Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - End-to-End Trajectory Distribution Prediction Based on Occupancy Grid
Maps [29.67295706224478]
本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。
我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。
実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-31T09:24:32Z) - Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds
with Optimal Transport and Random Walk [59.87525177207915]
シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。
本手法は,自己教師付き学習手法の最先端性能を実現する。
論文 参考訳(メタデータ) (2021-05-18T03:12:42Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳(メタデータ) (2020-12-04T15:10:12Z) - 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) - Deep Learning with Attention Mechanism for Predicting Driver Intention
at Intersection [2.1699196439348265]
提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。
提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-06-10T16:12:00Z) - 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) - Learning Probabilistic Intersection Traffic Models for Trajectory
Prediction [8.536503379429032]
この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。
この方法は時系列位置軌跡のセットで示される。
モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
論文 参考訳(メタデータ) (2020-02-05T19:22:26Z)
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。