論文の概要: Vehicle trajectory prediction works, but not everywhere

• arxiv url: http://arxiv.org/abs/2112.03909v1
• Date: Tue, 7 Dec 2021 18:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 15:02:02.768624
• Title: Vehicle trajectory prediction works, but not everywhere
• Title（参考訳）: 車の軌道予測は機能するが、至る所にはない
• Authors: Mohammadhossein Bahari, Saeed Saadatnejad, Ahmad Rahimi, Mohammad Shaverdikondori, Mohammad Shahidzadeh, Seyed-Mohsen Moosavi-Dezfooli, Alexandre Alahi
• Abstract要約: 本稿では,最先端モデルがオフロードされるような現実的なシーンを自動的に生成する手法を提案する。 物理制約とともに,原子シーン生成関数に基づく簡易かつ効果的な生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 75.36961426916639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle trajectory prediction is nowadays a fundamental pillar of self-driving cars. Both the industry and research communities have acknowledged the need for such a pillar by running public benchmarks. While state-of-the-art methods are impressive, i.e., they have no off-road prediction, their generalization to cities outside of the benchmark is unknown. In this work, we show that those methods do not generalize to new scenes. We present a novel method that automatically generates realistic scenes that cause state-of-the-art models go off-road. We frame the problem through the lens of adversarial scene generation. We promote a simple yet effective generative model based on atomic scene generation functions along with physical constraints. Our experiments show that more than $60\%$ of the existing scenes from the current benchmarks can be modified in a way to make prediction methods fail (predicting off-road). We further show that (i) the generated scenes are realistic since they do exist in the real world, and (ii) can be used to make existing models robust by 30-40%. Code is available at https://s-attack.github.io/.
• Abstract（参考訳）: 車両軌道予測は現在、自動運転車の基本的な柱となっている。 業界と研究コミュニティは、公開ベンチマークによってこのような柱の必要性を認識している。 最先端の手法は印象的であり、オフロード予測はないが、ベンチマーク以外の都市への一般化は分かっていない。 本研究では,これらの手法が新たな場面に一般化しないことを示す。 最先端モデルがオフロードになるような現実的なシーンを自動的に生成する新しい手法を提案する。 我々は、敵シーン生成のレンズを通して問題をフレーム化する。 物理制約とともに,原子シーン生成関数に基づく簡易かつ効果的な生成モデルを提案する。 我々の実験によると、現在のベンチマークの既存のシーンの60セント以上は、予測メソッドをフェールさせる(オフロード予測)方法で修正可能である。 さらにそれを示します (i)生成された場面は現実の世界に存在するため現実的であり、 (ii)既存のモデルを30～40%堅牢にすることができる。 コードはhttps://s-attack.github.io/で入手できる。

関連論文リスト

• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• Latency-aware Road Anomaly Segmentation in Videos: A Photorealistic Dataset and New Metrics [15.09892709945568]
  自動運転のための最初のビデオ異常セグメンテーションデータセットをコントリビュートする。 我々のデータセットは、60FPSのフレームレートで12万の高解像度フレームで構成され、7つの異なる町で記録されている。 時間的一貫性とレイテンシ対応のストリーミング精度の2つの新しい指標に注目します。
  論文  参考訳（メタデータ） (2024-01-10T05:38:48Z)
• Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts [3.2230833657560503]
  我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。 推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。 都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
  論文  参考訳（メタデータ） (2022-11-03T20:16:24Z)
• Model-Based Imitation Learning for Urban Driving [26.782783239210087]
  MILE: 世界のモデルと自律運転のポリシーを共同で学習するためのモデルに基づくImitation LEarningアプローチを提案する。 本モデルでは, 都市運転データのオフラインコーパスを用いて, 環境とのオンラインインタラクションを伴わない訓練を行った。 我々のアプローチは、都市運転環境における静的シーン、ダイナミックシーン、エゴビヘイビアをモデル化する最初のカメラのみの手法である。
  論文  参考訳（メタデータ） (2022-10-14T11:59:46Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Deep Generative Models for Vehicle Speed Trajectories [2.5137859989323537]
  深層生成モデルの拡張によって、正確でスケーラブルな生成が可能になることを示す。 シカゴ大都市圏のGPSデータに基づいて訓練したモデルを用いて,車両軌跡生成に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-14T20:14:03Z)
• Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
  我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。 攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。 我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:59:09Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
  私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。 実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
  論文  参考訳（メタデータ） (2021-01-16T22:51:43Z)
• Map-Adaptive Goal-Based Trajectory Prediction [3.1948816877289263]
  本稿では,多モーダル・長期車両軌道予測のための新しい手法を提案する。 提案手法は,各車両に提案された目標経路の集合を生成するために,環境のリッチマップで捉えた車線中心線を利用することに依存する。 本モデルは,6秒の水平線上での車両軌道予測において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-09T17:57:01Z)

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。