論文の概要: Conditional Generative Adversarial Networks for Speed Control in Trajectory Simulation

• arxiv url: http://arxiv.org/abs/2103.11471v1
• Date: Sun, 21 Mar 2021 19:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 09:14:27.328186
• Title: Conditional Generative Adversarial Networks for Speed Control in Trajectory Simulation
• Title（参考訳）: 軌道シミュレーションにおける速度制御のための条件生成逆ネットワーク
• Authors: Sahib Julka, Vishal Sowrirajan, Joerg Schloetterer, Michael Granitzer
• Abstract要約: Conditional Speed GAN (CSG) は、ユーザが制御する速度に基づいて、多様かつ社会的に許容される軌道の制御された生成を可能にする。 CSGは、ベンチマーク距離測定の点で最先端のGAN手法に匹敵する。
• 参考スコア（独自算出の注目度）: 1.3332591968684506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion behaviour is driven by several factors -- goals, presence and actions of neighbouring agents, social relations, physical and social norms, the environment with its variable characteristics, and further. Most factors are not directly observable and must be modelled from context. Trajectory prediction, is thus a hard problem, and has seen increasing attention from researchers in the recent years. Prediction of motion, in application, must be realistic, diverse and controllable. In spite of increasing focus on multimodal trajectory generation, most methods still lack means for explicitly controlling different modes of the data generation. Further, most endeavours invest heavily in designing special mechanisms to learn the interactions in latent space. We present Conditional Speed GAN (CSG), that allows controlled generation of diverse and socially acceptable trajectories, based on user controlled speed. During prediction, CSG forecasts future speed from latent space and conditions its generation based on it. CSG is comparable to state-of-the-art GAN methods in terms of the benchmark distance metrics, while being simple and useful for simulation and data augmentation for different contexts such as fast or slow paced environments. Additionally, we compare the effect of different aggregation mechanisms and show that a naive approach of concatenation works comparable to its attention and pooling alternatives.
• Abstract（参考訳）: 行動行動は、近隣のエージェントの目標、存在、行動、社会的関係、身体的および社会的規範、その変動特性を持つ環境など、いくつかの要因によって引き起こされる。 ほとんどの要素は直接観測可能ではなく、文脈からモデル化する必要がある。 軌道予測は難しい問題であり、近年は研究者の注目を集めている。 動きの予測は、応用において、現実的で、多様で、制御可能でなければならない。 マルチモーダルな軌道生成に注目が集まる一方で、ほとんどの手法にはデータ生成の異なるモードを明示的に制御する手段がない。 さらに、ほとんどの試みは、潜在空間における相互作用を学ぶための特別なメカニズムの設計に多大な投資をしている。 本研究では,ユーザ制御速度に基づいて,多様かつ社会的に許容されるトラジェクトリを制御可能なコンディショナル・スピード・ガン(CSG)を提案する。 予測中、csgは潜在空間からの将来の速度とそれに基づく状態を予測する。 CSGは、ベンチマーク距離の指標として最先端のGAN手法に匹敵するが、高速または遅いペースト環境などの異なる状況におけるシミュレーションやデータ拡張には単純で有用である。 さらに, 異なる凝集機構の効果を比較し, 結合のナイーブなアプローチが, その注意とプールの代替手段に匹敵することを示した。

関連論文リスト

• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Diverse Human Motion Prediction Guided by Multi-Level Spatial-Temporal Anchors [21.915057426589744]
  本稿では,サンプルの精度と多様性を促進するために,ランダムなサンプルコードと,決定論的に学習可能なコンポーネントであるアンカーを分離する,単純かつ効果的なアプローチを提案する。 原則として、時空間アンカーベースサンプリング(STARS)は、異なる動き予測器に適用できる。
  論文  参考訳（メタデータ） (2023-02-09T18:58:07Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
  群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
  論文  参考訳（メタデータ） (2022-09-25T15:18:56Z)
• Event-Aware Multimodal Mobility Nowcasting [11.540605108140538]
  イベント認識型時間ネットワークEAST-Netは、ソーシャルデータセットの多種多様な実世界のデータセットで評価される。 その結果、最先端のベースラインと比較して、我々のアプローチの優位性を検証した。
  論文  参考訳（メタデータ） (2021-12-14T12:35:20Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• 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)
• MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory Prediction in Mixed Traffic [35.22312783822563]
  都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。 本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。 推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
  論文  参考訳（メタデータ） (2020-02-14T11:04:41Z)
• 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。