論文の概要: End-to-End Interactive Prediction and Planning with Optical Flow Distillation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2104.08862v1
• Date: Sun, 18 Apr 2021 14:05:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:36:17.062075
• Title: End-to-End Interactive Prediction and Planning with Optical Flow Distillation for Autonomous Driving
• Title（参考訳）: 自律運転のための光学的流れ蒸留による対話型予測と計画
• Authors: Hengli Wang, Peide Cai, Rui Fan, Yuxiang Sun, Ming Liu
• Abstract要約: 本稿では,自律運転のためのエンドツーエンド対話型ニューラルモーションプランナ(INMP)を提案する。 INMPはまず鳥の目線空間で特徴マップを生成し、それを処理して他のエージェントを検出し、インタラクティブな予測と計画を共同で実行します。 また, 実時間推定速度を維持しつつ, ネットワーク性能を効果的に向上できる光フロー蒸留パラダイムを採用している。
• 参考スコア（独自算出の注目度）: 16.340715765227475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent advancement of deep learning technology, data-driven approaches for autonomous car prediction and planning have achieved extraordinary performance. Nevertheless, most of these approaches follow a non-interactive prediction and planning paradigm, hypothesizing that a vehicle's behaviors do not affect others. The approaches based on such a non-interactive philosophy typically perform acceptably in sparse traffic scenarios but can easily fail in dense traffic scenarios. Therefore, we propose an end-to-end interactive neural motion planner (INMP) for autonomous driving in this paper. Given a set of past surrounding-view images and a high definition map, our INMP first generates a feature map in bird's-eye-view space, which is then processed to detect other agents and perform interactive prediction and planning jointly. Also, we adopt an optical flow distillation paradigm, which can effectively improve the network performance while still maintaining its real-time inference speed. Extensive experiments on the nuScenes dataset and in the closed-loop Carla simulation environment demonstrate the effectiveness and efficiency of our INMP for the detection, prediction, and planning tasks. Our project page is at sites.google.com/view/inmp-ofd.
• Abstract（参考訳）: 近年のディープラーニング技術の進歩により、自動運転車の予測と計画のためのデータ駆動型アプローチは、素晴らしいパフォーマンスを達成した。 しかしながら、これらのアプローチのほとんどは非対話的な予測と計画パラダイムに従っており、車両の挙動が他者に影響を与えることはないと仮定している。 このような非対話的哲学に基づくアプローチは、疎いトラフィックシナリオでは受け入れられるが、密集したトラフィックシナリオでは容易に失敗する。 そこで本稿では,自律運転のためのエンドツーエンド対話型ニューラルモーションプランナ(INMP)を提案する。 過去の周囲画像と高解像度マップが与えられた後、INMPはまず鳥眼視空間に特徴マップを生成し、それを処理して他のエージェントを検出し、対話的な予測と計画を共同で行う。 また, 実時間推定速度を維持しつつ, ネットワーク性能を効果的に向上できる光フロー蒸留パラダイムを採用している。 nuScenesデータセットと閉ループCarlaシミュレーション環境での広範囲な実験により、INMPの検知、予測、計画タスクの有効性と効率が実証された。 プロジェクトページは site.google.com/view/inmp-ofd にあります。

関連論文リスト

• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Learning Interpretable End-to-End Vision-Based Motion Planning for Autonomous Driving with Optical Flow Distillation [11.638798976654327]
  IVMPは、自動運転のための解釈可能なエンドツーエンドのビジョンベースのモーションプランニングアプローチです。 我々は,実時間性能を維持しつつネットワークを効果的に強化できる光フロー蒸留パラダイムを開発した。 我々のIVMPは、人間ドライバーをはるかに高い成功率で模倣する最先端のアプローチを著しく上回っています。
  論文  参考訳（メタデータ） (2021-04-18T13:51:25Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• 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)
• 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。