論文の概要: DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets
- arxiv url: http://arxiv.org/abs/2108.09640v1
- Date: Sun, 22 Aug 2021 05:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:31:57.607232
- Title: DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets
- Title（参考訳）: DenseTNT:Dense Goal Setからのエンドツーエンドの軌道予測
- Authors: Junru Gu, Chen Sun, Hang Zhao
- Abstract要約: DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。
DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
- 参考スコア（独自算出の注目度）: 29.239524389784606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the stochasticity of human behaviors, predicting the future
trajectories of road agents is challenging for autonomous driving. Recently,
goal-based multi-trajectory prediction methods are proved to be effective,
where they first score over-sampled goal candidates and then select a final set
from them. However, these methods usually involve goal predictions based on
sparse pre-defined anchors and heuristic goal selection algorithms. In this
work, we propose an anchor-free and end-to-end trajectory prediction model,
named DenseTNT, that directly outputs a set of trajectories from dense goal
candidates. In addition, we introduce an offline optimization-based technique
to provide multi-future pseudo-labels for our final online model. Experiments
show that DenseTNT achieves state-of-the-art performance, ranking 1st on the
Argoverse motion forecasting benchmark and being the 1st place winner of the
2021 Waymo Open Dataset Motion Prediction Challenge.
- Abstract（参考訳）: 人間の行動の確率性のため、道路エージェントの将来の軌道を予測することは自動運転にとって困難である。
近年,ゴールベース多軌道予測手法が有効であることが証明され,まずオーバーサンプリングされたゴール候補を採点し,最終セットを選択する。
しかし、これらの手法は通常、スパース事前定義されたアンカーとヒューリスティックな目標選択アルゴリズムに基づく目標予測を伴う。
本研究では,高密度な目標候補から直接トラジェクトリを出力する,アンカーフリーかつエンドツーエンドのトラジェクトリ予測モデルDenseTNTを提案する。
さらに,最終的なオンラインモデルにマルチフュージョン擬似ラベルを提供するために,オフライン最適化に基づく手法を導入する。
実験によれば、dungentntはargoverse motion forecasting benchmarkで1位、waymo open dataset motion prediction challenge 2021で1位という最先端のパフォーマンスを達成している。
関連論文リスト
- Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - GoalNet: Goal Areas Oriented Pedestrian Trajectory Prediction [1.9253333342733674]
歩行者の目標領域に基づく新しい軌道予測ニューラルネットワークを提案する。
GoalNetは、従来の最先端のパフォーマンスをJAADで48.7%、PIEデータセットで40.8%改善した。
論文 参考訳（メタデータ） (2024-02-29T09:53:19Z) - PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
軌道予測は自動運転スタックにおいて重要な役割を果たす。
近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
論文 参考訳（メタデータ） (2023-09-07T14:45:41Z) - DenseTNT: Waymo Open Dataset Motion Prediction Challenge 1st Place
Solution [14.783327438913025]
自律運転では、ゴールベースの多軌道予測手法が最近有効であることが証明され、まず最初にゴール候補を決め、次に最終目標を選択し、最後に選択した目標に基づいて軌道を完了させる。
本研究では,軌道予測のための高密度目標確率推定を行うアンカーフリーモデルDenseTNTを提案する。
論文 参考訳（メタデータ） (2021-06-27T07:21:29Z) - Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。
ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。
我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
論文 参考訳（メタデータ） (2021-03-06T04:49:24Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z) - Long-Horizon Visual Planning with Goal-Conditioned Hierarchical
Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。
視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。
本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-23T17:58:56Z) - 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)
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。