論文の概要: TIP: Task-Informed Motion Prediction for Intelligent Systems
- arxiv url: http://arxiv.org/abs/2110.08750v1
- Date: Sun, 17 Oct 2021 07:46:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 15:05:17.327521
- Title: TIP: Task-Informed Motion Prediction for Intelligent Systems
- Title（参考訳）: TIP:知的システムのタスクインフォームド動作予測
- Authors: Xin Huang, Guy Rosman, Ashkan Jasour, Stephen G. McGill, John J.
Leonard, Brian C. Williams
- Abstract要約: 既存の動き予測器はしばしば、予測精度に基づいてタスクに依存しない測定によって最適化され評価される。
本稿では,予測精度と作業性について共同で推論を行うタスクインフォームド動作予測フレームワークを提案する。
オープンモーションデータセットにおけるタスク非依存の予測よりも,タスクインフォームド予測が優れていることを示す。
- 参考スコア（独自算出の注目度）: 25.534109928628933
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Motion prediction is important for intelligent driving systems, providing the
future distributions of road agent behaviors and supporting various decision
making tasks. Existing motion predictors are often optimized and evaluated via
task-agnostic measures based on prediction accuracy. Such measures fail to
account for the use of prediction in downstream tasks, and could result in
sub-optimal task performance. We propose a task-informed motion prediction
framework that jointly reasons about prediction accuracy and task utility, to
better support downstream tasks through its predictions. The task utility
function does not require the full task information, but rather a specification
of the utility of the task, resulting in predictors that serve a wide range of
downstream tasks. We demonstrate our framework on two use cases of task
utilities, in the context of autonomous driving and parallel autonomy, and show
the advantage of task-informed predictors over task-agnostic ones on the Waymo
Open Motion dataset.
- Abstract（参考訳）: 運動予測は知的運転システムにおいて重要であり、将来の道路エージェントの挙動の分布を提供し、様々な意思決定タスクをサポートする。
既存の動き予測器はしばしば、予測精度に基づいてタスクに依存しない測定によって最適化され評価される。
このような措置は、下流タスクでの予測の使用を考慮せず、最適以下のタスクパフォーマンスをもたらす可能性がある。
本稿では,予測精度とタスクユーティリティを共に考慮し,その予測を通じて下流タスクをより良く支援するタスクインフォームドモーション予測フレームワークを提案する。
タスクユーティリティ関数はタスク情報を完全に必要とせず、むしろタスクのユーティリティの仕様であり、広範囲の下流タスクに役立ちます。
タスクユーティリティの2つのユースケースに関するフレームワークを,自律運転と並列自律という文脈で実証し,Waymo Open Motionデータセット上のタスクに依存しないものよりもタスクインフォームド予測の利点を示す。
関連論文リスト
- Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow
Prediction [18.277777620073685]
本稿では, 正確な占有率と流量予測を実現するために, 新規な占有流量予測器を提案する。
我々のモデルは,オープンデータセットの占有率とフロー予測チャレンジで3位にランクされ,閉鎖された占有率とフロー予測タスクにおいて最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-08-09T03:49:04Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator
and Predictor [3.6955256596550137]
軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。
本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。
我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
論文 参考訳（メタデータ） (2022-03-02T17:37:44Z) - MATS: An Interpretable Trajectory Forecasting Representation for
Planning and Control [46.86174832000696]
人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。
自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。
本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
論文 参考訳（メタデータ） (2020-09-16T07:32:37Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - 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) - CARPAL: Confidence-Aware Intent Recognition for Parallel Autonomy [24.358828325716427]
本稿では,確率的ドライバ軌道だけでなく,下流タスクの予測に付随する実用統計も予測する,新しいマルチタスク意図認識ニューラルネットワークを提案する。
我々は,現実的な都市運転データセット上でオンラインシステムをテストし,基準手法と比較して,リコールとフォールアウトの指標でその利点を実証する。
論文 参考訳（メタデータ） (2020-03-18T01:25:06Z)
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。