Fugu-MT 論文翻訳(概要): Deep Generative Models for Vehicle Speed Trajectories

論文の概要: Deep Generative Models for Vehicle Speed Trajectories

arxiv url: http://arxiv.org/abs/2112.08361v1
Date: Tue, 14 Dec 2021 20:14:03 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 16:27:19.335239
Title: Deep Generative Models for Vehicle Speed Trajectories
Title（参考訳）: 自動車速度軌道の深部生成モデル
Authors: Farnaz Behnia and Dominik Karbowski and Vadim Sokolov
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.5137859989323537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating realistic vehicle speed trajectories is a crucial component in evaluating vehicle fuel economy and in predictive control of self-driving cars. Traditional generative models rely on Markov chain methods and can produce accurate synthetic trajectories but are subject to the curse of dimensionality. They do not allow to include conditional input variables into the generation process. In this paper, we show how extensions to deep generative models allow accurate and scalable generation. Proposed architectures involve recurrent and feed-forward layers and are trained using adversarial techniques. Our models are shown to perform well on generating vehicle trajectories using a model trained on GPS data from Chicago metropolitan area.
Abstract（参考訳）: 現実的な車両速度軌跡の生成は、自動車の燃費の評価と自動運転車の予測制御において重要な要素である。伝統的な生成モデルはマルコフ連鎖法に依存し、正確な合成軌道を生成することができるが、次元の呪いの対象となる。それらは生成プロセスに条件付き入力変数を含めることを許さない。本稿では, 深部生成モデルの拡張によって, 正確かつスケーラブルな生成が可能となることを示す。提案されたアーキテクチャは、繰り返しおよびフィードフォワード層を含み、敵のテクニックを使って訓練される。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,車両軌跡生成に有効であることを示す。

関連論文リスト

AA-SGAN: Adversarially Augmented Social GAN with Synthetic Data [9.108224187521287]
本研究では, 合成軌道を訓練時に, 対角的アプローチで増強する手法を提案する。本研究は, 実世界の軌道上で, 最先端生成モデルの評価を行うと, 学習時の軌道増進が大きな利益をもたらすことを示す。
論文参考訳（メタデータ） (2024-12-23T23:17:44Z)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
GenAD: Generalized Predictive Model for Autonomous Driving [75.39517472462089]
本稿では,自動運転分野における最初の大規模ビデオ予測モデルを紹介する。我々のモデルはGenADと呼ばれ、新しい時間的推論ブロックでシーンを駆動する際の挑戦的なダイナミクスを扱う。アクション条件付き予測モデルやモーションプランナーに適応することができ、現実世界の運転アプリケーションに大きな可能性を秘めている。
論文参考訳（メタデータ） (2024-03-14T17:58:33Z)
RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文参考訳（メタデータ） (2023-12-12T06:21:30Z)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
TransFollower: Long-Sequence Car-Following Trajectory Prediction through Transformer [44.93030718234555]
本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
論文参考訳（メタデータ） (2022-02-04T07:59:22Z)
A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through Particle Filtering [6.9485501711137525]
本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
論文参考訳（メタデータ） (2021-08-29T11:07:14Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
TrajGAIL: Generating Urban Vehicle Trajectories using Generative Adversarial Imitation Learning [9.01310450044549]
本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。 TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
論文参考訳（メタデータ） (2020-07-28T13:17:51Z)
Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data [37.176411554794214]
人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。実世界の軌道予測データセットにおいて,その性能を実証する。
論文参考訳（メタデータ） (2020-01-09T16:47:17Z)

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。