論文の概要: Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph Convolutional Network for Multi-class Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2108.04740v1
• Date: Tue, 10 Aug 2021 15:02:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:19:53.154263
• Title: Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph Convolutional Network for Multi-class Trajectory Prediction
• Title（参考訳）: semantics-stgcnn:マルチクラス軌道予測のためのsemantics-guided spatial-temporal graph convolutional network
• Authors: Ben A. Rainbow, Qianhui Men, Hubert P. H. Shum
• Abstract要約: グラフ畳み込みニューラルネットワークにクラス情報を導入し、個人の軌道をより正確に予測する。 AADE(Average2 Displacement Error)とaFDE(Average Final Deplacement Error)と呼ばれる新しいメトリクスを提案する。 既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 9.238700679836855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the movement trajectories of multiple classes of road users in real-world scenarios is a challenging task due to the diverse trajectory patterns. While recent works of pedestrian trajectory prediction successfully modelled the influence of surrounding neighbours based on the relative distances, they are ineffective on multi-class trajectory prediction. This is because they ignore the impact of the implicit correlations between different types of road users on the trajectory to be predicted - for example, a nearby pedestrian has a different level of influence from a nearby car. In this paper, we propose to introduce class information into a graph convolutional neural network to better predict the trajectory of an individual. We embed the class labels of the surrounding objects into the label adjacency matrix (LAM), which is combined with the velocity-based adjacency matrix (VAM) comprised of the objects' velocity, thereby generating a semantics-guided graph adjacency (SAM). SAM effectively models semantic information with trainable parameters to automatically learn the embedded label features that will contribute to the fixed velocity-based trajectory. Such information of spatial and temporal dependencies is passed to a graph convolutional and temporal convolutional network to estimate the predicted trajectory distributions. We further propose new metrics, known as Average2 Displacement Error (aADE) and Average Final Displacement Error (aFDE), that assess network accuracy more accurately. We call our framework Semantics-STGCNN. It consistently shows superior performance to the state-of-the-arts in existing and the newly proposed metrics.
• Abstract（参考訳）: 現実シナリオにおける複数クラスの道路利用者の移動軌跡の予測は,多様な軌道パターンのために難しい課題である。 近年の歩行者追跡予測は、相対距離に基づく周辺環境の影響をモデル化することに成功したが、マルチクラス軌道予測には効果がない。 これは、異なる種類の道路利用者間の暗黙の相関関係が予測される軌道に与える影響を無視しているためである。 本稿では,グラフ畳み込みニューラルネットワークにクラス情報を導入することにより,個人の軌跡を予測する手法を提案する。 周辺物体のクラスラベルをラベル隣接行列 (LAM) に埋め込み, 速度に基づく近接行列 (VAM) と組み合わせることで, セマンティックス誘導グラフ隣接行列 (SAM) を生成する。 SAMは、トレーニング可能なパラメータで意味情報を効果的にモデル化し、固定速度に基づく軌道に寄与する埋め込みラベル機能を自動的に学習する。 このような空間的および時間的依存関係の情報はグラフ畳み込みおよび時間的畳み込みネットワークに渡され、予測された軌道分布を推定する。 さらに,ネットワーク精度をより正確に評価する指標として,平均2変位誤差(aade)と平均最終変位誤差(afde)を提案する。 フレームワークをSemantics-STGCNNと呼びます。 既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。

関連論文リスト

• SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
  自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。 本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:11:04Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Multiclass-SGCN: Sparse Graph-based Trajectory Prediction with Agent Class Embedding [12.839645409931407]
  現実シナリオにおける道路利用者の軌道予測は,移動パターンが複雑であるため困難である。 従来の歩行者指向の作業は、歩行者間の複雑な相互作用のモデル化に成功しているが、他の種類の道路利用者が関与している場合の軌道予測には失敗している。 マルチクラス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アプローチであるMulticlass-SGCNを提案する。
  論文  参考訳（メタデータ） (2022-06-30T13:28:53Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
  本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。 静的および動的駆動コンテキストを階層的にエンコードする。 提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
  論文  参考訳（メタデータ） (2021-11-02T13:42:16Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• 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)
• 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)
• AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
  軌道予測は、安全な将来の動きを計画するための応用に不可欠である。 我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
  論文  参考訳（メタデータ） (2020-06-15T10:00:07Z)

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。