論文の概要: Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers
- arxiv url: http://arxiv.org/abs/2106.12442v1
- Date: Tue, 22 Jun 2021 15:40:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 15:26:20.920821
- Title: Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers
- Title（参考訳）: ユーロPVI:高密度都市部における歩行者車両のインタラクション
- Authors: Apratim Bhattacharyya, Daniel Olmeda Reino, Mario Fritz, Bernt Schiele
- Abstract要約: 歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
- 参考スコア（独自算出の注目度）: 126.81938540470847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of pedestrian and bicyclist paths is integral to the
development of reliable autonomous vehicles in dense urban environments. The
interactions between vehicle and pedestrian or bicyclist have a significant
impact on the trajectories of traffic participants e.g. stopping or turning to
avoid collisions. Although recent datasets and trajectory prediction approaches
have fostered the development of autonomous vehicles yet the amount of
vehicle-pedestrian (bicyclist) interactions modeled are sparse. In this work,
we propose Euro-PVI, a dataset of pedestrian and bicyclist trajectories. In
particular, our dataset caters more diverse and complex interactions in dense
urban scenarios compared to the existing datasets. To address the challenges in
predicting future trajectories with dense interactions, we develop a joint
inference model that learns an expressive multi-modal shared latent space
across agents in the urban scene. This enables our Joint-$\beta$-cVAE approach
to better model the distribution of future trajectories. We achieve state of
the art results on the nuScenes and Euro-PVI datasets demonstrating the
importance of capturing interactions between ego-vehicle and pedestrians
(bicyclists) for accurate predictions.
- Abstract（参考訳）: 歩行者および自転車道の正確な予測は、密集した都市環境における信頼性の高い自動運転車の開発に不可欠である。
車両と歩行者、自転車の相互作用は、交通参加者の軌道に大きな影響を与えている。
衝突を避けるために停止または交代する。
最近のデータセットと軌道予測アプローチは自動運転車の開発を後押ししているが、モデル化された車両-ペデストリアン(自転車)インタラクションの量は少ない。
本研究では,歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
特に、我々のデータセットは、既存のデータセットと比較して密集した都市シナリオにおけるより多様で複雑な相互作用に対応しています。
密接な相互作用を伴う将来の軌跡予測の課題に対処するため,都市環境におけるエージェント間の表現的マルチモーダル共有潜在空間を学習する共同推論モデルを構築した。
これにより、将来の軌跡の分布をより良くモデル化するためのJoint-$\beta$-cVAEアプローチが可能になる。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
関連論文リスト
- Roundabout Dilemma Zone Data Mining and Forecasting with Trajectory Prediction and Graph Neural Networks [23.098974945647683]
本稿では、軌道予測を利用してDZイベントを予測する自動システムについて述べる。
本システムは,自律走行と手動走行の両方において,安全基準を強化することを目的としている。
論文 参考訳（メタデータ） (2024-09-01T05:47:58Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - Pedestrian Trajectory Prediction via Spatial Interaction Transformer
Network [7.150832716115448]
交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。
このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。
本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
論文 参考訳（メタデータ） (2021-12-13T13:08:04Z) - Predicting Vehicles Trajectories in Urban Scenarios with Transformer
Networks and Augmented Information [0.0]
本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。
我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。
我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
論文 参考訳（メタデータ） (2021-06-01T15:18:55Z) - Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset [84.3946567650148]
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。
論文 参考訳（メタデータ） (2021-04-20T17:19:05Z) - Multi-Modal Hybrid Architecture for Pedestrian Action Prediction [14.032334569498968]
本研究では,歩行者の横断行動を予測するために,環境から取得したさまざまな情報ソースを組み込んだ新しいマルチモーダル予測アルゴリズムを提案する。
既存の2次元歩行者行動ベンチマークと新たに注釈付けされた3次元運転データセットを用いて,提案モデルが歩行者横断予測における最先端性能を達成することを示す。
論文 参考訳（メタデータ） (2020-11-16T15:17:58Z) - 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) - 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) - MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory
Prediction in Mixed Traffic [35.22312783822563]
都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。
本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。
推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
論文 参考訳（メタデータ） (2020-02-14T11:04:41Z)
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。