論文の概要: Injecting Knowledge in Data-driven Vehicle Trajectory Predictors
- arxiv url: http://arxiv.org/abs/2103.04854v1
- Date: Mon, 8 Mar 2021 16:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 15:22:06.111249
- Title: Injecting Knowledge in Data-driven Vehicle Trajectory Predictors
- Title（参考訳）: データ駆動型車両軌道予測器のインジェクション知識
- Authors: Mohammadhossein Bahari, Ismail Nejjar, Alexandre Alahi
- Abstract要約: 車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
- 参考スコア（独自算出の注目度）: 82.91398970736391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle trajectory prediction tasks have been commonly tackled from two
distinct perspectives: either with knowledge-driven methods or more recently
with data-driven ones. On the one hand, we can explicitly implement
domain-knowledge or physical priors such as anticipating that vehicles will
follow the middle of the roads. While this perspective leads to feasible
outputs, it has limited performance due to the difficulty to hand-craft complex
interactions in urban environments. On the other hand, recent works use
data-driven approaches which can learn complex interactions from the data
leading to superior performance. However, generalization, \textit{i.e.}, having
accurate predictions on unseen data, is an issue leading to unrealistic
outputs. In this paper, we propose to learn a "Realistic Residual Block" (RRB),
which effectively connects these two perspectives. Our RRB takes any
off-the-shelf knowledge-driven model and finds the required residuals to add to
the knowledge-aware trajectory. Our proposed method outputs realistic
predictions by confining the residual range and taking into account its
uncertainty. We also constrain our output with Model Predictive Control (MPC)
to satisfy kinematic constraints. Using a publicly available dataset, we show
that our method outperforms previous works in terms of accuracy and
generalization to new scenes. We will release our code and data split here:
https://github.com/vita-epfl/RRB.
- Abstract（参考訳）: 車両軌道予測タスクは、知識駆動手法またはより最近のデータ駆動手法の2つの異なる視点から、一般的に取り組まれてきた。
一方、車両が道路の真ん中を進むことを想定して、ドメイン知識や物理的な事前事項を明示的に実装することができる。
この視点は実現可能な出力につながるが、都市環境における複雑な相互作用を手作業で行うのが困難であるため、性能は限られている。
一方で、最近の研究では、優れたパフォーマンスにつながるデータから複雑なインタラクションを学習できるデータ駆動アプローチが使用されている。
しかし、一般化は \textit{i.e. である。
目に見えないデータを正確に予測する } は、非現実的な出力につながる問題です。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
rrbは既定の知識駆動モデルを採用し、知識認識軌道に追加するために必要な残差を見つけます。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
また,運動的制約を満たすためにモデル予測制御(mpc)で出力を制約する。
公開データセットを用いて,新しいシーンに対する精度と一般化の観点から,従来の手法よりも優れていることを示す。
コードとデータの分割は、https://github.com/vita-epfl/rrb。
関連論文リスト
- T4P: Test-Time Training of Trajectory Prediction via Masked Autoencoder and Actor-specific Token Memory [39.021321011792786]
軌道予測は、複数のアクター間の相互作用を考慮することを必要とする難しい問題である。
データ駆動型アプローチは、この複雑な問題に対処するために使われてきたが、テスト期間中に分散シフトの下では信頼性の低い予測に悩まされている。
本研究では,観測データから回帰損失を用いたオンライン学習手法を提案する。
提案手法は,予測精度と計算効率の両方の観点から,既存の最先端オンライン学習手法の性能を超越した手法である。
論文 参考訳（メタデータ） (2024-03-15T06:47:14Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in
nuScenes [38.43491956142818]
計画課題は、内部意図と外部環境の両方からの入力に基づいて、エゴ車両の軌道を予測することである。
既存の研究の多くは、予測された軌道と地上の真実との衝突率とL2誤差を用いて、nuScenesデータセット上での性能を評価する。
本稿では,これらの既存の評価指標を再評価し,異なる手法の優越性を正確に測定するかどうかを検討する。
我々の単純な手法は、nuScenesデータセットと他の知覚に基づく手法と同じようなエンド・ツー・エンドの計画性能を実現し、平均L2誤差を約20%削減する。
論文 参考訳（メタデータ） (2023-05-17T17:59:11Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - Trajformer: Trajectory Prediction with Local Self-Attentive Contexts for
Autonomous Driving [13.861631911491651]
自己意識は、エージェントの社会的文脈を表現するためのより良い制御を可能にする。
Argoverseデータセットの様々なベースラインに対する標準メトリクスの改善を示す。
論文 参考訳（メタデータ） (2020-11-30T15:42:15Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。