Fugu-MT 論文翻訳(概要): LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents

論文の概要: LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents

arxiv url: http://arxiv.org/abs/2104.00249v1
Date: Thu, 1 Apr 2021 04:33:36 GMT
ステータス: 処理完了
システム内更新日: 2021-04-02 13:51:29.214251
Title: LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents
Title（参考訳）: LaPred: 動的エージェントのマルチモーダル未来軌道のレーン認識予測
Authors: ByeoungDo Kim, Seong Hyeon Park, Seokhwan Lee, Elbek Khoshimjonov, Dongsuk Kum, Junsoo Kim, Jeong Soo Kim, Jun Won Choi
Abstract要約: 本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。 LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
参考スコア（独自算出の注目度）: 10.869902339190949
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we address the problem of predicting the future motion of a dynamic agent (called a target agent) given its current and past states as well as the information on its environment. It is paramount to develop a prediction model that can exploit the contextual information in both static and dynamic environments surrounding the target agent and generate diverse trajectory samples that are meaningful in a traffic context. We propose a novel prediction model, referred to as the lane-aware prediction (LaPred) network, which uses the instance-level lane entities extracted from a semantic map to predict the multi-modal future trajectories. For each lane candidate found in the neighborhood of the target agent, LaPred extracts the joint features relating the lane and the trajectories of the neighboring agents. Then, the features for all lane candidates are fused with the attention weights learned through a self-supervised learning task that identifies the lane candidate likely to be followed by the target agent. Using the instance-level lane information, LaPred can produce the trajectories compliant with the surroundings better than 2D raster image-based methods and generate the diverse future trajectories given multiple lane candidates. The experiments conducted on the public nuScenes dataset and Argoverse dataset demonstrate that the proposed LaPred method significantly outperforms the existing prediction models, achieving state-of-the-art performance in the benchmarks.
Abstract（参考訳）: 本稿では,動的エージェント(ターゲットエージェントと呼ばれる)の現在の状態と過去の状態と,その環境に関する情報から,将来的な動きを予測する問題に対処する。ターゲットエージェントを取り巻く静的環境と動的環境の両方でコンテキスト情報を活用し,交通状況において意味のある多様な軌道サンプルを生成する予測モデルを開発することが最重要である。本稿では,意味地図から抽出したインスタンスレベルのレーンエンティティを用いて,複数モーダルな将来の軌跡の予測を行う,LaPredネットワークと呼ばれる新しい予測モデルを提案する。ターゲットエージェントの近傍にある各レーン候補に対して、lapredは、レーンと隣接するエージェントの軌道に関するジョイント特徴を抽出する。そして、各レーン候補の特徴を、対象エージェントが追従する可能性のあるレーン候補を特定する自己教師学習タスクを通じて学習した注意重みと融合させる。インスタンスレベルのレーン情報を用いて、LaPredは2次元ラスタ画像ベースの手法よりも環境に適合する軌道を生成し、複数のレーン候補が与えられた様々な将来の軌道を生成することができる。公開nuScenesデータセットとArgoverseデータセットで実施された実験は、提案したLaPredメソッドが既存の予測モデルを大幅に上回り、ベンチマークで最先端のパフォーマンスを達成することを示した。

関連論文リスト

FutureNet-LOF: Joint Trajectory Prediction and Lane Occupancy Field Prediction with Future Context Encoding [10.188379670636092]
本稿では,最初に予測された軌道を将来のシナリオに明示的に統合するFutureNetを提案する。また、自律走行における動き予測のための車線意味論を用いた新しい表現である車線占有場(LOF)を提案する。提案手法は,Argoverse 1 と Argoverse 2 の2つの大規模動き予測ベンチマークにおいて第1位である。
論文参考訳（メタデータ） (2024-06-20T15:41:53Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction [18.277777620073685]
本稿では, 正確な占有率と流量予測を実現するために, 新規な占有流量予測器を提案する。我々のモデルは,オープンデータセットの占有率とフロー予測チャレンジで3位にランクされ,閉鎖された占有率とフロー予測タスクにおいて最高のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-08-09T03:49:04Z)
LatentFormer: Multi-Agent Transformer-Based Interaction Modeling and Trajectory Prediction [12.84508682310717]
将来の車両軌道予測のためのトランスフォーマーモデルであるLatentFormerを提案する。提案手法をnuScenesベンチマークデータセット上で評価し,提案手法が最先端性能を実現し,トラジェクトリ指標を最大40%向上することを示す。
論文参考訳（メタデータ） (2022-03-03T17:44:58Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文参考訳（メタデータ） (2021-02-18T02:25:35Z)
Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文参考訳（メタデータ） (2021-01-14T22:21:25Z)
TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。我々は、車や歩行者の軌道予測をベンチマークする。私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文参考訳（メタデータ） (2020-08-19T06:52:46Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文参考訳（メタデータ） (2020-06-15T10:00:07Z)
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)

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。