論文の概要: HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and
Adaptive Sampling
- arxiv url: http://arxiv.org/abs/2110.02344v1
- Date: Tue, 5 Oct 2021 20:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:34:50.983484
- Title: HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and
Adaptive Sampling
- Title(参考訳): HYPER:因子推論と適応サンプリングによるハイブリッド軌道予測
- Authors: Xin Huang, Guy Rosman, Igor Gilitschenski, Ashkan Jasour, Stephen G.
McGill, John J. Leonard, Brian C. Williams
- Abstract要約: 本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。
トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。
我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
- 参考スコア(独自算出の注目度): 27.194900145235007
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modeling multi-modal high-level intent is important for ensuring diversity in
trajectory prediction. Existing approaches explore the discrete nature of human
intent before predicting continuous trajectories, to improve accuracy and
support explainability. However, these approaches often assume the intent to
remain fixed over the prediction horizon, which is problematic in practice,
especially over longer horizons. To overcome this limitation, we introduce
HYPER, a general and expressive hybrid prediction framework that models
evolving human intent. By modeling traffic agents as a hybrid
discrete-continuous system, our approach is capable of predicting discrete
intent changes over time. We learn the probabilistic hybrid model via a maximum
likelihood estimation problem and leverage neural proposal distributions to
sample adaptively from the exponentially growing discrete space. The overall
approach affords a better trade-off between accuracy and coverage. We train and
validate our model on the Argoverse dataset, and demonstrate its effectiveness
through comprehensive ablation studies and comparisons with state-of-the-art
models.
- Abstract(参考訳): 多モード高レベルインテントのモデリングは、軌道予測における多様性を保証するために重要である。
既存のアプローチは、連続的な軌道を予測する前に人間の意図の離散的な性質を探求し、正確性を改善し説明可能性をサポートする。
しかし、これらのアプローチは、実際には問題となる予測地平線上、特に長い地平線上を固定する意図をしばしば仮定している。
この制限を克服するために、人間の意図をモデル化する汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを導入する。
トラヒックエージェントをハイブリッド離散連続システムとしてモデル化することにより、時間とともに離散的意図変化を予測できる。
我々は,最大推定問題を用いて確率的ハイブリッドモデルを学習し,指数関数的に増大する離散空間から適応的にサンプリングするニューラルネットワークの提案分布を利用する。
全体的なアプローチによって、精度とカバレッジのトレードオフが向上する。
我々は,argoverseデータセット上でモデルをトレーニングし,検証し,包括的アブレーション研究と最先端モデルとの比較によりその効果を示す。
関連論文リスト
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。
線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。
我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
論文 参考訳(メタデータ) (2023-07-18T16:22:50Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳(メタデータ) (2023-07-04T16:45:21Z) - Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional
Diffusion [37.160767002270525]
本研究では,不確実性を考慮した歩行者軌道予測手法を提案する。
従来の研究とは異なり、予測性は明示的な分布に変換する。
我々のフレームワークは、異なるニューラルネットワークアーキテクチャとの互換性について、モデルに依存しない。
論文 参考訳(メタデータ) (2023-03-15T04:58:43Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - On complementing end-to-end human motion predictors with planning [31.025766804649464]
人間の運動予測のための高容量エンドツーエンドアプローチは、人間の行動における微妙なニュアンスを表現する能力を持つが、分布入力やテールイベントから外れた頑健さに苦しむ。
一方、計画ベースの予測は、適切な予測を確実に出力できます。
論文 参考訳(メタデータ) (2021-03-09T19:02:45Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Prediction by Anticipation: An Action-Conditional Prediction Method
based on Interaction Learning [23.321627835039934]
潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。
このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。
提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
論文 参考訳(メタデータ) (2020-12-25T01:39:26Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳(メタデータ) (2020-07-12T15:31:24Z)
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。