Fugu-MT 論文翻訳(概要): Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting

論文の概要: Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2111.13324v1
Date: Fri, 26 Nov 2021 06:12:19 GMT
ステータス: 処理完了
システム内更新日: 2021-11-30 00:18:50.210490
Title: Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting
Title（参考訳）: 軌道予測のための階層型運動エンコーダデコーダネットワーク
Authors: Qifan Xue, Shengyi Li, Xuanpeng Li, Jingwen Zhao, and Weigong Zhang
Abstract要約: 軌道予測は知的車両や社会ロボットの分野で重要な役割を果たしている。最近の研究は、空間的社会的影響や時間的動きの注意をモデル化することに重点を置いているが、運動の固有の特性を無視している。本稿では,車両軌道予測のための文脈自由な階層型運動デコーダネットワーク(HMNet)を提案する。
参考スコア（独自算出の注目度）: 2.3852339280654173
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Trajectory forecasting plays a pivotal role in the field of intelligent vehicles or social robots. Recent works focus on modeling spatial social impacts or temporal motion attentions, but neglect inherent properties of motions, i.e. moving trends and driving intentions. This paper proposes a context-free Hierarchical Motion Encoder-Decoder Network (HMNet) for vehicle trajectory prediction. HMNet first infers the hierarchical difference on motions to encode physically compliant patterns with high expressivity of moving trends and driving intentions. Then, a goal (endpoint)-embedded decoder hierarchically constructs multimodal predictions depending on the location-velocity-acceleration-related patterns. Besides, we present a modified social pooling module which considers certain motion properties to represent social interactions. HMNet enables to make the accurate, unimodal/multimodal and physically-socially-compliant prediction. Experiments on three public trajectory prediction datasets, i.e. NGSIM, HighD and Interaction show that our model achieves the state-of-the-art performance both quantitatively and qualitatively. We will release our code here: https://github.com/xuedashuai/HMNet.
Abstract（参考訳）: 軌道予測は知的車両や社会ロボットの分野で重要な役割を果たしている。最近の研究は、空間的社会的影響や時間的動きの注意をモデル化することに焦点を当てているが、動きの性質、すなわち動きの傾向や運転意図を無視している。本稿では,車両軌道予測のための文脈自由な階層型運動エンコーダデコーダネットワーク(HMNet)を提案する。 HMNetはまず、動きの階層的な違いを推論し、動きの傾向や運転意図の表現率が高い物理的に適合したパターンを符号化する。そして、ゴール(エンドポイント)組込みデコーダは、位置速度加速関連パターンに応じて階層的にマルチモーダル予測を構成する。また,社会的相互作用を表現するために,特定の動作特性を考慮に入れた修正型ソーシャルプーリングモジュールを提案する。 HMNetは正確で、単調で、マルチモーダルで、物理的に社会に準拠する予測を可能にする。 NGSIM,HighD,Interactionという3つの公共軌道予測データセットの実験により,我々のモデルが定量的かつ定性的に最先端の性能を達成することを示す。コードについては、https://github.com/xuedashuai/HMNet.comで公開します。

関連論文リスト

SocialFormer: Social Interaction Modeling with Edge-enhanced Heterogeneous Graph Transformers for Trajectory Prediction [3.733790302392792]
SocialFormerはエージェント間相互作用を意識した軌道予測手法である。本稿では,エージェント動作の時間的社会的挙動をモデル化するために,ゲートリカレント単位(GRU)に基づくテンポラルエンコーダを提案する。一般的なnuScenesベンチマークの軌道予測タスクとしてSocialFormerを評価し,最先端の性能を実現する。
論文参考訳（メタデータ） (2024-05-06T19:47:23Z)
OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment [0.0]
環境中の全ての動的オブジェクトの将来の挙動を予測するために,エンド・ツー・エンドのニューラルネットワーク手法を提案する。本稿では, 終点誤差の大幅な低減を図った新しい時間重み付きモーションフロー損失を提案する。
論文参考訳（メタデータ） (2024-04-02T19:37:58Z)
AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文参考訳（メタデータ） (2024-03-20T06:22:37Z)
Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2022-09-27T16:23:14Z)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
LaneRCNNはグラフ中心のモーション予測モデルです。アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
論文参考訳（メタデータ） (2021-01-17T11:54:49Z)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
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)
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)
CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation [12.580809204729583]
グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
論文参考訳（メタデータ） (2020-05-02T09:10:30Z)
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。