論文の概要: Trajectory Prediction using Generative Adversarial Network in
Multi-Class Scenarios
- arxiv url: http://arxiv.org/abs/2110.11401v1
- Date: Mon, 18 Oct 2021 23:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 08:51:08.166763
- Title: Trajectory Prediction using Generative Adversarial Network in
Multi-Class Scenarios
- Title(参考訳): 多クラスシナリオにおけるジェネレーティブ・ディバーショナル・ネットワークを用いた軌道予測
- Authors: Shilun Li, Tracy Cai, Jiayi Li
- Abstract要約: 我々はシーケンス・ツー・シーケンス・モデルを用いて、観測された経路から将来の経路を予測する。
抽出されたラベル表現を従来の位置入力と組み合わせることで、クラス情報をモデルに組み込む。
我々は、道路エージェントの6つのクラスを含むStanford Droneデータセットでモデルをトレーニングする。
- 参考スコア(独自算出の注目度): 1.3342402609717876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting traffic agents' trajectories is an important task for
auto-piloting. Most previous work on trajectory prediction only considers a
single class of road agents. We use a sequence-to-sequence model to predict
future paths from observed paths and we incorporate class information into the
model by concatenating extracted label representations with traditional
location inputs. We experiment with both LSTM and transformer encoders and we
use generative adversarial network as introduced in Social GAN to learn the
multi-modal behavior of traffic agents. We train our model on Stanford Drone
dataset which includes 6 classes of road agents and evaluate the impact of
different model components on the prediction performance in multi-class scenes.
- Abstract(参考訳): 交通機関の軌道予測は自動操縦にとって重要な課題である。
軌道予測に関するほとんどの以前の研究は、単一の種類の道路エージェントしか考慮していない。
シーケンス・ツー・シーケンス・モデルを用いて、観測経路から将来の経路を予測し、抽出されたラベル表現を従来の位置入力と組み合わせることで、クラス情報をモデルに組み込む。
我々はLSTMとトランスフォーマーエンコーダの両方を用いて実験を行い、Social GANで導入された生成的敵ネットワークを用いて交通エージェントのマルチモーダル動作を学習する。
我々は6種類の道路エージェントを含むStanford Droneデータセットでモデルをトレーニングし、異なるモデルコンポーネントがマルチクラスのシーンにおける予測性能に与える影響を評価する。
関連論文リスト
- Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳(メタデータ) (2024-11-04T23:15:21Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - QCNeXt: A Next-Generation Framework For Joint Multi-Agent Trajectory
Prediction [5.312631388611489]
路上エージェントの将来の軌跡の同時分布を推定することは自動運転に不可欠である。
本稿では,QCNeXtと呼ばれるマルチエージェント軌道予測のための次世代フレームワークを提案する。
提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで1位である。
論文 参考訳(メタデータ) (2023-06-18T09:40:40Z) - 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) - 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) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - 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) - 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。