論文の概要: Causal-based Time Series Domain Generalization for Vehicle Intention Prediction

• arxiv url: http://arxiv.org/abs/2112.02093v1
• Date: Fri, 3 Dec 2021 18:58:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 15:46:47.523402
• Title: Causal-based Time Series Domain Generalization for Vehicle Intention Prediction
• Title（参考訳）: 車両意図予測のための因果系時系列領域一般化
• Authors: Yeping Hu, Xiaogang Jia, Masayoshi Tomizuka, Wei Zhan
• Abstract要約: 交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では,車両意図予測タスクにおける領域一般化問題に対処することを目的とする。 提案手法は、他の最先端領域の一般化や振る舞い予測手法と比較して、予測精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 19.944268567657307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting possible behaviors of traffic participants is an essential capability for autonomous vehicles. Since autonomous vehicles need to navigate in dynamically changing environments, they are expected to make accurate predictions regardless of where they are and what driving circumstances they encountered. Therefore, generalization capability to unseen domains is crucial for prediction models when autonomous vehicles are deployed in the real world. In this paper, we aim to address the domain generalization problem for vehicle intention prediction tasks and a causal-based time series domain generalization (CTSDG) model is proposed. We construct a structural causal model for vehicle intention prediction tasks to learn an invariant representation of input driving data for domain generalization. We further integrate a recurrent latent variable model into our structural causal model to better capture temporal latent dependencies from time-series input data. The effectiveness of our approach is evaluated via real-world driving data. We demonstrate that our proposed method has consistent improvement on prediction accuracy compared to other state-of-the-art domain generalization and behavior prediction methods.
• Abstract（参考訳）: 交通参加者の行動の正確な予測は、自動運転車にとって不可欠な能力である。 自動運転車は動的に変化する環境をナビゲートする必要があるため、どこにいても、どのような状況に遭遇したかを正確に予測することが期待されている。 したがって、自動運転車が現実世界に配備される際の予測モデルには、未認識領域への一般化能力が不可欠である。 本稿では,車両意図予測タスクの領域一般化問題に対処し,因果的時系列領域一般化(CTSDG)モデルを提案する。 車両意図予測タスクのための構造因果モデルを構築し,領域一般化のための入力駆動データの不変表現を学習する。 さらに、時系列入力データから時間的潜伏依存性をよりよく捉えるために、繰り返し潜伏変数モデルを構造因果モデルに統合する。 本手法の有効性は実世界の運転データを用いて評価する。 提案手法は他の最先端ドメイン一般化法や行動予測法と比較して予測精度が一貫して向上することを示す。

関連論文リスト

• FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
  本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。 車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。 種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
  論文  参考訳（メタデータ） (2024-11-23T23:13:45Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities [3.6294895527930504]
  本研究では,自律型シャトルのAT予測システムを提案する。 停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。 最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
  論文  参考訳（メタデータ） (2024-01-10T18:41:39Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Benchmark for Models Predicting Human Behavior in Gap Acceptance Scenarios [4.801975818473341]
  我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。 次に、このフレームワークを最先端の予測モデルに適用する。
  論文  参考訳（メタデータ） (2022-11-10T09:59:38Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• 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)
• Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards Generic Autonomous Vehicle Use Cases [10.41902340952981]
  本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。 提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
  論文  参考訳（メタデータ） (2020-11-23T03:13:26Z)
• Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
  論文  参考訳（メタデータ） (2020-04-07T00:34:36Z)

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。