論文の概要: Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2104.08277v1
• Date: Fri, 16 Apr 2021 17:58:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 14:18:28.857884
• Title: Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction
• Title（参考訳）: Lane-Aware Diverse Trajectory PredictionのためのDivide-and-Conquer
• Authors: Sriram Narayanan, Ramin Moslemi, Francesco Pittaluga, Buyu Liu, Manmohan Chandraker
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.97877759413272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is a safety-critical tool for autonomous vehicles to plan and execute actions. Our work addresses two key challenges in trajectory prediction, learning multimodal outputs, and better predictions by imposing constraints using driving knowledge. Recent methods have achieved strong performances using Multi-Choice Learning objectives like winner-takes-all (WTA) or best-of-many. But the impact of those methods in learning diverse hypotheses is under-studied as such objectives highly depend on their initialization for diversity. As our first contribution, we propose a novel Divide-And-Conquer (DAC) approach that acts as a better initialization technique to WTA objective, resulting in diverse outputs without any spurious modes. Our second contribution is a novel trajectory prediction framework called ALAN that uses existing lane centerlines as anchors to provide trajectories constrained to the input lanes. Our framework provides multi-agent trajectory outputs in a forward pass by capturing interactions through hypercolumn descriptors and incorporating scene information in the form of rasterized images and per-agent lane anchors. Experiments on synthetic and real data show that the proposed DAC captures the data distribution better compare to other WTA family of objectives. Further, we show that our ALAN approach provides on par or better performance with SOTA methods evaluated on Nuscenes urban driving benchmark.
• Abstract（参考訳）: 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ある。 我々の研究は、軌道予測、マルチモーダル出力の学習、そして運転知識を用い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。 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。 しかし、これらの方法が多様な仮説を学ぶことに与える影響は、その目的が多様性の初期化に大きく依存するため、あまり研究されていない。 最初のコントリビューションとして、WTA目標に対してより良い初期化手法として機能する新しいDivide-And-Conquer(DAC)アプローチを提案する。 第2のコントリビューションは、既存の車線中心線をアンカーとして使用し、入力車線に制約のある軌道を提供するALANと呼ばれる新しい軌道予測フレームワークである。 ハイパーコラムディスクリプタを介してインタラクションをキャプチャし,ラスタ化画像とエージェント毎レーンアンカー形式でシーン情報を取り込むことにより,マルチエージェント軌道出力をフォワードパスで提供する。 合成および実データ実験により、提案したDACがデータ分布を他のWTAの目的とよく比較できることが示された。 さらに,我々のALANアプローチは,Nuscenesの都市運転ベンチマークで評価したSOTA手法と同等以上の性能を提供することを示した。

関連論文リスト

• 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)
• Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks [5.571793666361683]
  本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。 提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。 その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-28T16:25:16Z)
• Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
  軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。 本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。 複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-12T16:23:27Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Jointly Learning Agent and Lane Information for Multimodal Trajectory Prediction [9.602388354570111]
  マルチモーダル軌道予測のためのエージェントとレーン情報を協調学習する段階的ネットワークを提案する。 パブリックなArgoverseデータセットで行った実験は、JAL-MTPが既存のモデルを定量的および定性的に大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2021-11-26T08:02:06Z)
• LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents [10.869902339190949]
  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。
  論文  参考訳（メタデータ） (2021-04-01T04:33:36Z)
• 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)
• Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles [10.485790589381704]
  軌道予測は自動運転車にとって不可欠である。 レーン表現のための新しいインスタンス認識表現を提案する。 提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-06T07:57:23Z)

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。