論文の概要: MSN: Multi-Style Network for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2107.00932v5
- Date: Mon, 8 May 2023 07:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 01:32:23.223770
- Title: MSN: Multi-Style Network for Trajectory Prediction
- Title（参考訳）: MSN:軌道予測のためのマルチスタイルネットワーク
- Authors: Conghao Wong, Beihao Xia, Qinmu Peng, Wei Yuan and Xinge You
- Abstract要約: トラジェクトリ予測は,映像のコンテキストとともに,その観察を考慮し,エージェントの将来の位置を予測することを目的としている。
本稿では,2つのサブネットワークを用いたスタイル提案とスタイル予測を利用したマルチスタイルネットワーク(MSN)を提案する。
実験により、提案したMSNは2つの広く使用されているデータセットに対して、現在の最先端の手法を最大10%上回っていることが示された。
- 参考スコア（独自算出の注目度）: 14.861532983777133
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction aims to forecast agents' possible future locations
considering their observations along with the video context. It is strongly
needed by many autonomous platforms like tracking, detection, robot navigation,
and self-driving cars. Whether it is agents' internal personality factors,
interactive behaviors with the neighborhood, or the influence of surroundings,
they all impact agents' future planning. However, many previous methods model
and predict agents' behaviors with the same strategy or feature distribution,
making them challenging to make predictions with sufficient style differences.
This paper proposes the Multi-Style Network (MSN), which utilizes style
proposal and stylized prediction using two sub-networks, to provide multi-style
predictions in a novel categorical way adaptively. The proposed network
contains a series of style channels, and each channel is bound to a unique and
specific behavior style. We use agents' end-point plannings and their
interaction context as the basis for the behavior classification, so as to
adaptively learn multiple diverse behavior styles through these channels. Then,
we assume that the target agents may plan their future behaviors according to
each of these categorized styles, thus utilizing different style channels to
make predictions with significant style differences in parallel. Experiments
show that the proposed MSN outperforms current state-of-the-art methods up to
10% quantitatively on two widely used datasets, and presents better multi-style
characteristics qualitatively.
- Abstract（参考訳）: トラジェクトリ予測は,映像のコンテキストとともに,エージェントの将来の位置を予測することを目的としている。
トラッキング、検出、ロボットナビゲーション、自動運転車など、多くの自律型プラットフォームで強く求められている。
エージェントの内部的性格要因、近隣との対話的行動、周辺環境の影響にかかわらず、エージェントの今後の計画に影響を及ぼす。
しかし、多くの従来の手法はエージェントの行動を同じ戦略や特徴分布でモデル化し予測し、十分なスタイルの違いで予測することは困難である。
本稿では,2つのサブネットワークを用いたスタイル提案とスタイライゼーション予測を利用したマルチスタイルネットワーク (msn) を提案する。
提案するネットワークには一連のスタイルチャネルがあり,それぞれのチャネルはユニークで特定の動作スタイルに縛られている。
我々は,行動分類の基盤としてエージェントのエンドポイント計画とそのインタラクションコンテキストを用い,これらのチャネルを通じて多様な行動スタイルを適応的に学習する。
そこで, 対象エージェントはそれぞれの分類されたスタイルに応じて, 将来の振る舞いを計画し, 異なるスタイルのチャネルを用いて, 異なるスタイルの違いを並列に予測する。
実験により,提案したMSNは2つの広く使用されているデータセットに対して,現在の最先端手法よりも10%高い性能を示し,質的に優れたマルチスタイル特性を示す。
関連論文リスト
- Learning signatures of decision making from many individuals playing the
same game [54.33783158658077]
我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。
我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-02-21T21:41:53Z) - Deep Interactive Motion Prediction and Planning: Playing Games with
Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。
本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文 参考訳（メタデータ） (2022-04-05T17:58:18Z) - View Vertically: A Hierarchical Network for Trajectory Prediction via
Fourier Spectrums [8.065451321690011]
人間やロボットのようなエージェントの将来の動きや行動を理解し予測することを学ぶことは、さまざまな自律プラットフォームにとって極めて重要だ。
本稿では,キーポイントと相互作用レベルのスペクトルを持つエージェントの軌道をそれぞれ予測するTransformer-based Vモデルを提案する。
実験の結果,ETH-UCYおよびSDDトラジェクトリデータセットにおいて,Vは現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-14T11:48:31Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Online Multi-Agent Forecasting with Interpretable Collaborative Graph
Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。
本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文 参考訳（メタデータ） (2021-07-02T08:20:06Z) - Scene Transformer: A unified multi-task model for behavior prediction
and planning [42.758178896204036]
実世界の運転環境における全てのエージェントの行動予測モデルを定式化する。
近年の言語モデリングアプローチにインスパイアされた我々は、マスキング戦略をモデルに対するクエリとして使用しています。
我々は,行動予測のための自律走行データセットに対するアプローチを評価し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-06-15T20:20:44Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of
Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。
LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。
公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2021-04-01T04:33:36Z) - Pedestrian Behavior Prediction via Multitask Learning and Categorical
Interaction Modeling [13.936894582450734]
マルチモーダルデータに頼って歩行者の軌跡や行動を同時に予測するマルチタスク学習フレームワークを提案する。
本モデルでは, トラジェクティブと動作予測を最大22%, 6%向上させる。
論文 参考訳（メタデータ） (2020-12-06T15:57:11Z) - 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) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
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。