論文の概要: Generating Synthetic Training Data for Deep Learning-Based UAV
Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2107.00422v1
- Date: Thu, 1 Jul 2021 13:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:45:18.529995
- Title: Generating Synthetic Training Data for Deep Learning-Based UAV
Trajectory Prediction
- Title(参考訳): 深層学習に基づくUAV軌道予測のための合成学習データの生成
- Authors: Stefan Becker and Ronny Hug and Wolfgang H\"ubner and Michael Arens
and Brendan T. Morris
- Abstract要約: 本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。
実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
- 参考スコア(独自算出の注目度): 11.241614693184323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based models, such as recurrent neural networks (RNNs), have
been applied to various sequence learning tasks with great success. Following
this, these models are increasingly replacing classic approaches in object
tracking applications for motion prediction. On the one hand, these models can
capture complex object dynamics with less modeling required, but on the other
hand, they depend on a large amount of training data for parameter tuning.
Towards this end, we present an approach for generating synthetic trajectory
data of unmanned-aerial-vehicles (UAVs) in image space. Since UAVs, or rather
quadrotors are dynamical systems, they can not follow arbitrary trajectories.
With the prerequisite that UAV trajectories fulfill a smoothness criterion
corresponding to a minimal change of higher-order motion, methods for planning
aggressive quadrotors flights can be utilized to generate optimal trajectories
through a sequence of 3D waypoints. By projecting these maneuver trajectories,
which are suitable for controlling quadrotors, to image space, a versatile
trajectory data set is realized. To demonstrate the applicability of the
synthetic trajectory data, we show that an RNN-based prediction model solely
trained on the generated data can outperform classic reference models on a
real-world UAV tracking dataset. The evaluation is done on the publicly
available ANTI-UAV dataset.
- Abstract(参考訳): recurrent neural networks(rnn)のようなディープラーニングベースのモデルは、様々なシーケンス学習タスクに適用され、大きな成功を収めている。
その後、これらのモデルは、動き予測のためのオブジェクト追跡アプリケーションにおける古典的なアプローチに置き換わるようになっている。
一方、これらのモデルは、モデリングを少なくして複雑なオブジェクトのダイナミクスを捉えることができるが、一方、パラメータチューニングのための大量のトレーニングデータに依存している。
そこで本研究では,無人航空機(UAV)の合成軌道データを生成する手法を提案する。
UAV、またはむしろ四重項は力学系であるため、任意の軌道を辿ることはできない。
UAV軌道が高次運動の最小変化に対応する滑らかさ基準を満たすことの前提条件として、攻撃的な4段機飛行を計画する手法を用いて、一連の3次元ウェイポイントを通して最適な軌道を生成することができる。
四重項制御に適したこれらの運動軌跡を画像空間に投影することにより、多目的軌跡データセットを実現する。
合成軌道データの適用性を示すため、実世界のUAV追跡データセットにおいて、生成されたデータにのみ訓練されたRNNベースの予測モデルが古典的参照モデルより優れていることを示す。
評価は、公開されているアンチUAVデータセット上で行われる。
関連論文リスト
- VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。
車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文 参考訳(メタデータ) (2024-04-11T06:19:55Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks [8.209194305630229]
既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。
本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T20:20:26Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z) - Deep Learning Methods for Vessel Trajectory Prediction based on
Recurrent Neural Networks [13.193080011901381]
エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。
提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。
デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
論文 参考訳(メタデータ) (2021-01-07T11:05:47Z) - Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。
この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。
また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文 参考訳(メタデータ) (2020-10-12T15:51:01Z) - TrajGAIL: Generating Urban Vehicle Trajectories using Generative
Adversarial Imitation Learning [9.01310450044549]
本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。
都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。
TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
論文 参考訳(メタデータ) (2020-07-28T13:17:51Z)
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。