論文の概要: Trajectory Prediction with Graph-based Dual-scale Context Fusion
- arxiv url: http://arxiv.org/abs/2111.01592v1
- Date: Tue, 2 Nov 2021 13:42:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 14:42:00.875783
- Title: Trajectory Prediction with Graph-based Dual-scale Context Fusion
- Title(参考訳): グラフに基づくデュアルスケールコンテキスト融合による軌道予測
- Authors: Lu Zhang, Peiliang Li, Jing Chen and Shaojie Shen
- Abstract要約: 本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
- 参考スコア(独自算出の注目度): 43.51107329748957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion prediction for traffic participants is essential for a safe and robust
automated driving system, especially in cluttered urban environments. However,
it is highly challenging due to the complex road topology as well as the
uncertain intentions of the other agents. In this paper, we present a
graph-based trajectory prediction network named the Dual Scale Predictor (DSP),
which encodes both the static and dynamical driving context in a hierarchical
manner. Different from methods based on a rasterized map or sparse lane graph,
we consider the driving context as a graph with two layers, focusing on both
geometrical and topological features. Graph neural networks (GNNs) are applied
to extract features with different levels of granularity, and features are
subsequently aggregated with attention-based inter-layer networks, realizing
better local-global feature fusion. Following the recent goal-driven trajectory
prediction pipeline, goal candidates with high likelihood for the target agent
are extracted, and predicted trajectories are generated conditioned on these
goals. Thanks to the proposed dual-scale context fusion network, our DSP is
able to generate accurate and human-like multi-modal trajectories. We evaluate
the proposed method on the large-scale Argoverse motion forecasting benchmark,
and it achieves promising results, outperforming the recent state-of-the-art
methods.
- Abstract(参考訳): 交通参加者の運動予測は安全でロバストな自動運転システム、特に散在する都市環境において不可欠である。
しかし、複雑な道路のトポロジーや他のエージェントの意図が不明なため、非常に困難である。
本稿では,静的駆動コンテキストと動的駆動コンテキストの両方を階層的に符号化するdsp(dual scale predictionor)というグラフに基づく軌道予測ネットワークを提案する。
ラスタ化マップやスパースレーングラフに基づく手法とは異なり、駆動コンテキストを幾何学的特徴と位相的特徴の両方に焦点を当てた2層グラフと考える。
グラフニューラルネットワーク(gnns)は、粒度の異なる特徴を抽出し、その特徴を注意に基づく層間ネットワークに集約することで、より優れた局所的特徴融合を実現する。
最近の目標駆動軌道予測パイプラインに続いて、目標エージェントの確率の高い目標候補を抽出し、これらの目標に基づいて予測軌道を生成する。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
提案手法は, 大規模argoverse motion forecasting benchmarkにおいて提案手法を評価し, 最近の最先端手法を上回って, 有望な結果を得た。
関連論文リスト
- SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。
本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
論文 参考訳(メタデータ) (2024-04-30T09:11:04Z) - EPG-MGCN: Ego-Planning Guided Multi-Graph Convolutional Network for
Heterogeneous Agent Trajectory Prediction [0.0]
本稿では,異種エージェントの軌跡を予測するためのego-planning guided multi-graph convolutional network (EPG-MGCN)を提案する。
EPG-MGCNはまず4つのグラフトポロジを用いて社会的相互作用をモデル化する。
最後に、カテゴリ固有のゲートリカレントユニット(CS-GRU)エンコーダデコーダは、各種類のエージェントに対する将来のトラジェクトリを生成するように設計されている。
論文 参考訳(メタデータ) (2023-03-29T21:14:05Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳(メタデータ) (2022-07-21T10:19:07Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳(メタデータ) (2022-07-16T12:40:17Z) - Graph-Based Spatial-Temporal Convolutional Network for Vehicle
Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。
時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。
次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文 参考訳(メタデータ) (2021-09-27T02:20:38Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized
Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。
ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。
我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文 参考訳(メタデータ) (2020-05-08T19:07:03Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。
一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。
本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-14T00:41:17Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-02-14T20:11:13Z)
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。