論文の概要: Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset
- arxiv url: http://arxiv.org/abs/2104.10133v1
- Date: Tue, 20 Apr 2021 17:19:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:46:39.021624
- Title: Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset
- Title(参考訳): 自律走行のための大規模対話型モーション予測 : Waymo Open Motion Dataset
- Authors: Scott Ettinger, Shuyang Cheng, Benjamin Caine, Chenxi Liu, Hang Zhao,
Sabeek Pradhan, Yuning Chai, Ben Sapp, Charles Qi, Yin Zhou, Zoey Yang,
Aurelien Chouard, Pei Sun, Jiquan Ngiam, Vijay Vasudevan, Alexander McCauley,
Jonathon Shlens, Dragomir Anguelov
- Abstract要約: 10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。
高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。
シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
- 参考スコア(独自算出の注目度): 84.3946567650148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As autonomous driving systems mature, motion forecasting has received
increasing attention as a critical requirement for planning. Of particular
importance are interactive situations such as merges, unprotected turns, etc.,
where predicting individual object motion is not sufficient. Joint predictions
of multiple objects are required for effective route planning. There has been a
critical need for high-quality motion data that is rich in both interactions
and annotation to develop motion planning models. In this work, we introduce
the most diverse interactive motion dataset to our knowledge, and provide
specific labels for interacting objects suitable for developing joint
prediction models. With over 100,000 scenes, each 20 seconds long at 10 Hz, our
new dataset contains more than 570 hours of unique data over 1750 km of
roadways. It was collected by mining for interesting interactions between
vehicles, pedestrians, and cyclists across six cities within the United States.
We use a high-accuracy 3D auto-labeling system to generate high quality 3D
bounding boxes for each road agent, and provide corresponding high definition
3D maps for each scene. Furthermore, we introduce a new set of metrics that
provides a comprehensive evaluation of both single agent and joint agent
interaction motion forecasting models. Finally, we provide strong baseline
models for individual-agent prediction and joint-prediction. We hope that this
new large-scale interactive motion dataset will provide new opportunities for
advancing motion forecasting models.
- Abstract(参考訳): 自律運転システムが成熟するにつれて、運動予測は計画の重要な要件として注目を集めている。
特に重要なのは、個々の物体の動きを予測するだけでは不十分な、マージや無防備な回転などのインタラクティブな状況である。
効率的なルート計画には複数のオブジェクトの同時予測が必要である。
モーションプランニングモデルを開発するためには,インタラクションとアノテーションの両方に富む高品質なモーションデータが必要である。
本研究では,我々の知識に最も多様な対話型モーションデータセットを導入し,共同予測モデルの開発に適した対話型オブジェクトのラベルを提供する。
10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。
マイニングによって収集され、米国内の6都市にまたがる車両、歩行者、およびサイクリストの間の興味深いやりとりが収集された。
高精度な3D自動ラベルシステムを用いて,道路エージェントごとに高品質な3D境界ボックスを生成し,シーン毎に対応する高精細3Dマップを提供する。
さらに、単一エージェントと共同エージェントの相互作用動作予測モデルの両方を包括的に評価する新しいメトリクスセットを導入する。
最後に,個別エージェント予測と共同予測のための強力なベースラインモデルを提案する。
この新しい大規模インタラクティブモーションデータセットは、動き予測モデルに新たな機会を提供することを願っている。
関連論文リスト
- Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳(メタデータ) (2023-01-02T00:36:22Z) - CRAT-Pred: Vehicle Trajectory Prediction with Crystal Graph
Convolutional Neural Networks and Multi-Head Self-Attention [10.83642398981694]
CRAT-Predは、地図情報に依存しない軌道予測モデルである。
このモデルは非常に少ないモデルパラメータで最先端の性能を達成する。
さらに,車間の社会的相互作用を,測定可能なインタラクションスコアを表す重みによって学習できることを定量的に示す。
論文 参考訳(メタデータ) (2022-02-09T14:36:36Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳(メタデータ) (2021-04-08T20:01:00Z) - SCOUT: Socially-COnsistent and UndersTandable Graph Attention Network
for Trajectory Prediction of Vehicles and VRUs [0.0]
SCOUTは、グラフとしてシーンの柔軟で汎用的な表現を使用する新しい注意ベースのグラフニューラルネットワークです。
我々は3つの異なる注意メカニズムを探索し,鳥眼視と車載都市データを用いてそのスキームをテストする。
RounDデータセットの全く新しいシナリオでテストすることにより、モデルの柔軟性と転送性を評価します。
論文 参考訳(メタデータ) (2021-02-12T06:29:28Z) - PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction
in 3D [10.580548257913843]
nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。
また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-12-14T18:13:44Z) - Graph-SIM: A Graph-based Spatiotemporal Interaction Modelling for
Pedestrian Action Prediction [10.580548257913843]
本稿では,歩行者の横断行動を予測するための新しいグラフベースモデルを提案する。
既存のnuScenesデータセットに対して、3Dバウンディングボックスと歩行者行動アノテーションを提供する新しいデータセットを紹介します。
提案手法は,既存の手法と比較して,様々な指標を15%以上改善し,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-12-03T18:28:27Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳(メタデータ) (2020-07-23T14:31:25Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳(メタデータ) (2020-02-20T18:50:44Z) - Trajectron++: Dynamically-Feasible Trajectory Forecasting With
Heterogeneous Data [37.176411554794214]
人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。
我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。
実世界の軌道予測データセットにおいて,その性能を実証する。
論文 参考訳(メタデータ) (2020-01-09T16:47:17Z)
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。