論文の概要: Collaborative Uncertainty in Multi-Agent Trajectory Forecasting
- arxiv url: http://arxiv.org/abs/2110.13947v1
- Date: Tue, 26 Oct 2021 18:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 13:29:09.850407
- Title: Collaborative Uncertainty in Multi-Agent Trajectory Forecasting
- Title（参考訳）: マルチエージェント軌道予測における協調的不確かさ
- Authors: Bohan Tang, Yiqi Zhong, Ulrich Neumann, Gang Wang, Ya Zhang, Siheng
Chen
- Abstract要約: 本稿では,対話モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、将来の軌跡とそれに対応する不確実性を学ぶための予測モデルを構築するための一般的なCUベースのフレームワークを構築した。
いずれの場合も、2つの合成データセットと2つの大規模軌跡予測ベンチマークについて広範な実験を行う。
- 参考スコア（独自算出の注目度）: 35.013892666040846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty modeling is critical in trajectory forecasting systems for both
interpretation and safety reasons. To better predict the future trajectories of
multiple agents, recent works have introduced interaction modules to capture
interactions among agents. This approach leads to correlations among the
predicted trajectories. However, the uncertainty brought by such correlations
is neglected. To fill this gap, we propose a novel concept, collaborative
uncertainty(CU), which models the uncertainty resulting from the interaction
module. We build a general CU-based framework to make a prediction model to
learn the future trajectory and the corresponding uncertainty. The CU-based
framework is integrated as a plugin module to current state-of-the-art (SOTA)
systems and deployed in two special cases based on multivariate Gaussian and
Laplace distributions. In each case, we conduct extensive experiments on two
synthetic datasets and two public, large-scale benchmarks of trajectory
forecasting. The results are promising: 1) The results of synthetic datasets
show that CU-based framework allows the model to appropriately approximate the
ground-truth distribution. 2) The results of trajectory forecasting benchmarks
demonstrate that the CU-based framework steadily helps SOTA systems improve
their performances. Especially, the proposed CU-based framework helps VectorNet
improve by 57cm regarding Final Displacement Error on nuScenes dataset. 3) The
visualization results of CU illustrate that the value of CU is highly related
to the amount of the interactive information among agents.
- Abstract（参考訳）: 不確実性モデリングは、解釈と安全性の両方の理由から軌道予測システムにおいて重要である。
複数のエージェントの将来の軌道を予測するために、最近の研究ではエージェント間のインタラクションをキャプチャするインタラクションモジュールが導入されている。
このアプローチは予測された軌道間の相関をもたらす。
しかし、この相関による不確実性は無視される。
このギャップを埋めるために,インタラクションモジュールから生じる不確かさをモデル化する新しい概念であるコラボレーティブ不確実性(cu)を提案する。
我々は、将来の軌跡とそれに対応する不確実性を学ぶための予測モデルを構築するための一般的なCUベースのフレームワークを構築した。
CUベースのフレームワークは、現在の最先端(SOTA)システムのプラグインモジュールとして統合され、多変量ガウス分布とラプラス分布に基づく2つの特別なケースでデプロイされる。
いずれの場合も,2つの合成データセットと2つの公開ベンチマークによる軌道予測に関する広範な実験を行う。
結果は有望だ。
1) 合成データセットの結果から, cuベースのフレームワークにより, 地中分布を適切に近似できることがわかった。
2) 軌跡予測ベンチマークの結果から, CU ベースのフレームワークがSOTA システムの性能向上に有効であることが示された。
特に,提案するcuベースのフレームワークは,nuscenesデータセットにおける最終変位誤差の57cm改善を支援する。
3)CUの可視化結果から,CUの価値はエージェント間の対話情報量と高い相関関係があることが示唆された。
関連論文リスト
- A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - Boosted Control Functions [10.503777692702952]
本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。
我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。
このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
論文 参考訳（メタデータ） (2023-10-09T15:43:46Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳（メタデータ） (2023-03-01T15:16:56Z) - JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for
Autonomous Driving [12.460224193998362]
構造化されたグラフィカルモデルの定式化において,エージェント同士の相互作用を直接学習するエンド・ツー・エンドのトレーニング可能なモデルを提案する。
提案手法は,単エージェントトラジェクタのトラジェクタとトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタの性能を向上する。
論文 参考訳（メタデータ） (2022-12-16T20:59:21Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory
Forecasting [39.73793468422024]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳（メタデータ） (2022-03-21T17:59:40Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。