論文の概要: Pose and Semantic Map Based Probabilistic Forecast of Vulnerable Road Users' Trajectories

• arxiv url: http://arxiv.org/abs/2106.02598v1
• Date: Fri, 4 Jun 2021 16:56:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 17:31:13.408987
• Title: Pose and Semantic Map Based Probabilistic Forecast of Vulnerable Road Users' Trajectories
• Title（参考訳）: ポースとセマンティックマップを用いた道路利用者軌道の確率予測
• Authors: Viktor Kress, Fabian Jeske, Stefan Zernetsch, Konrad Doll, Bernhard Sick
• Abstract要約: 脆弱な道路利用者(VRU)の確率的軌道予測手法を提案する。 過去の動きは、個々の身体部分の姿勢と動きを反映した3Dのポーズによって表現される。 周囲のシーンは、道路、歩道、障害物の発生など、セマンティックマップの形式でモデル化されている。
• 参考スコア（独自算出の注目度）: 2.984037222955095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article, an approach for probabilistic trajectory forecasting of vulnerable road users (VRUs) is presented, which considers past movements and the surrounding scene. Past movements are represented by 3D poses reflecting the posture and movements of individual body parts. The surrounding scene is modeled in the form of semantic maps showing, e.g., the course of streets, sidewalks, and the occurrence of obstacles. The forecasts are generated in grids discretizing the space and in the form of arbitrary discrete probability distributions. The distributions are evaluated in terms of their reliability, sharpness, and positional accuracy. We compare our method with an approach that provides forecasts in the form of Gaussian distributions and discuss the respective advantages and disadvantages. Thereby, we investigate the impact of using poses and semantic maps. With a technique called spatial label smoothing, our approach achieves reliable forecasts. Overall, the poses have a positive impact on the forecasts. The semantic maps offer the opportunity to adapt the probability distributions to the individual situation, although at the considered forecasted time horizon of 2.52 s they play a minor role compared to the past movements of the VRU. Our method is evaluated on a dataset recorded in inner-city traffic using a research vehicle. The dataset is made publicly available.
• Abstract（参考訳）: 本稿では,危険道路利用者(VRU)の確率的軌道予測手法について紹介し,過去の動きと周辺環境を考察する。 過去の動きは、個々の身体部位の姿勢と動きを反映した3dポーズで表される。 周囲のシーンは、道路、歩道、障害物の発生など、意味的な地図形式でモデル化されている。 予測は、空間を識別する格子と任意の離散確率分布の形で生成される。 分布は、その信頼性、鋭さ、位置精度の観点から評価される。 本手法をガウス分布の形で予測を提供する手法と比較し,それぞれの利点とデメリットについて考察する。 そこで,ポーズとセマンティックマップの利用が与える影響について検討する。 空間ラベル平滑化と呼ばれる手法により,本手法は信頼性の高い予測を行う。 概して、ポーズは予測にポジティブな影響を与えます。 セマンティックマップは個々の状況に確率分布を適応させる機会を提供するが、予測時間地平線は2.52秒であり、VRUの過去の動きと比べて小さな役割を果たしている。 本手法は,研究車両を用いて都市内交通に記録されたデータセットを用いて評価する。 データセットは公開されています。

関連論文リスト

• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Scene Informer: Anchor-based Occlusion Inference and Trajectory Prediction in Partially Observable Environments [43.28710918095309]
  複雑な環境と動的な環境をナビゲートするには、自動運転車が目に見える地域と隠された地域の両方を推論する必要がある。 これには、観測されたエージェントの将来の動きを予測し、隠蔽されたエージェントを推測し、相互作用をモデル化することが含まれる。 我々は,観察対象の軌跡を予測し,観察可能な部分的設定で隠蔽物を推定するための統一的なアプローチであるScene Informerを紹介した。
  論文  参考訳（メタデータ） (2023-09-25T06:16:09Z)
• Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving [13.126949982768505]
  歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。 都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。 本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T11:24:38Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• End-to-End Trajectory Distribution Prediction Based on Occupancy Grid Maps [29.67295706224478]
  本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。 我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。 実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T09:24:32Z)
• Cyclist Intention Detection: A Probabilistic Approach [2.984037222955095]
  本稿では,確率的サイクリスト意図検出のための包括的アプローチを提案する。 運動履歴画像(MHI)と残差畳み込みニューラルネットワーク(ResNet)に基づく基本的な動き検出を用いて、現在のサイクリスト運動状態の確率を推定する。 これらの確率は確率的アンサンブル軌道予測の重みとして用いられる。
  論文  参考訳（メタデータ） (2021-04-19T09:59:04Z)
• 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)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
  論文  参考訳（メタデータ） (2020-04-07T00:34:36Z)
• 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)

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。