論文の概要: Learning to Predict Vehicle Trajectories with Model-based Planning

• arxiv url: http://arxiv.org/abs/2103.04027v1
• Date: Sat, 6 Mar 2021 04:49:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:21:33.288374
• Title: Learning to Predict Vehicle Trajectories with Model-based Planning
• Title（参考訳）: モデルベース計画による車両軌道予測の学習
• Authors: Haoran Song, Di Luan, Wenchao Ding, Michael Yu Wang, and Qifeng Chen
• Abstract要約: PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。 ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。 我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
• 参考スコア（独自算出の注目度）: 43.27767693429292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the future trajectories of on-road vehicles is critical for autonomous driving. In this paper, we introduce a novel prediction framework called PRIME, which stands for Prediction with Model-based Planning. Unlike recent prediction works that utilize neural networks to model scene context and produce unconstrained trajectories, PRIME is designed to generate accurate and feasibility-guaranteed future trajectory predictions, which guarantees the trajectory feasibility by exploiting a model-based generator to produce future trajectories under explicit constraints and enables accurate multimodal prediction by using a learning-based evaluator to select future trajectories. We conduct experiments on the large-scale Argoverse Motion Forecasting Benchmark. Our PRIME outperforms state-of-the-art methods in prediction accuracy, feasibility, and robustness under imperfect tracking. Furthermore, we achieve the 1st place on the Argoervese Leaderboard.
• Abstract（参考訳）: 路上車両の将来の軌跡を予測することは、自動運転にとって不可欠である。 本稿では,モデルベース計画による予測の略であるPRIMEという新しい予測フレームワークについて紹介する。 ニューラルネットワークを用いてシーンコンテキストをモデル化し、制約のない軌跡を生成する最近の予測とは違って、PRIMEは、モデルベースのジェネレータを使用して将来の軌跡を明示的な制約の下で生成し、学習ベースの評価器を使用して将来の軌跡を選択することによって正確なマルチモーダル予測を可能にすることにより、正確なかつ実現可能な将来の軌跡予測を生成するように設計されている。 大規模Argoverse Motion Forecasting Benchmarkの実験を行います。 我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。 さらに、私たちはArgoervese Leaderboardで1位を獲得しました。

関連論文リスト

• Goal-based Neural Physics Vehicle Trajectory Prediction Model [14.890973872051992]
  本稿では、ゴールに基づくニューラル物理車両軌道予測モデル(GNP)を提案する。 GNPモデルは、車両の軌道予測を2段階のプロセスに単純化する。 GNPは4つのベースラインモデルと比較して最先端の長期予測精度を示す。
  論文  参考訳（メタデータ） (2024-09-23T16:35:43Z)
• 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)
• PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
  軌道予測は自動運転スタックにおいて重要な役割を果たす。 近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
  論文  参考訳（メタデータ） (2023-09-07T14:45:41Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator and Predictor [3.6955256596550137]
  軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。 本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。 我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-02T17:37:44Z)
• Self-Supervised Action-Space Prediction for Automated Driving [0.0]
  本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。 学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。 提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-21T08:27:56Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。