論文の概要: CVAE-H: Conditionalizing Variational Autoencoders via Hypernetworks and
Trajectory Forecasting for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2201.09874v1
- Date: Mon, 24 Jan 2022 18:50:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:30:28.401405
- Title: CVAE-H: Conditionalizing Variational Autoencoders via Hypernetworks and
Trajectory Forecasting for Autonomous Driving
- Title(参考訳): CVAE-H:ハイパーネットによる変分オートエンコーダの条件付けと自律運転のための軌道予測
- Authors: Geunseob Oh, Huei Peng
- Abstract要約: ハイパーネットワークス(CVAE-H)によるオートエンコーダのコンディショニングについて述べる。
CVAE-Hは確率的、マルチモーダル、コンテキスト駆動、一般である。
提案モデルでは,道路エージェントの正確な予測を行うことにより,自律走行予測を効果的に解決できることを実証する。
- 参考スコア(独自算出の注目度): 18.812846450184477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of predicting stochastic behaviors of road agents in diverse
environments is a challenging problem for autonomous driving. To best
understand scene contexts and produce diverse possible future states of the
road agents adaptively in different environments, a prediction model should be
probabilistic, multi-modal, context-driven, and general. We present
Conditionalizing Variational AutoEncoders via Hypernetworks (CVAE-H); a
conditional VAE that extensively leverages hypernetwork and performs generative
tasks for high-dimensional problems like the prediction task. We first evaluate
CVAE-H on simple generative experiments to show that CVAE-H is probabilistic,
multi-modal, context-driven, and general. Then, we demonstrate that the
proposed model effectively solves a self-driving prediction problem by
producing accurate predictions of road agents in various environments.
- Abstract(参考訳): 多様な環境における道路エージェントの確率的行動を予測するタスクは、自動運転にとって難しい課題である。
現場の状況を最もよく理解し,様々な環境下で適応的に路面エージェントの様々な将来状態を生成するためには,予測モデルは確率的,多モード的,コンテキスト駆動的,一般的でなければならない。
本稿では,ハイパーネットワークを広範に活用し,予測タスクのような高次元問題に対して生成タスクを実行する条件付きVAEであるHypernetworks (CVAE-H) による条件付き自動エンコーダを提案する。
まず,CVAE-Hを簡易な生成実験で評価し,CVAE-Hが確率的,多モード的,コンテキスト駆動,一般性を示す。
そこで,提案モデルでは,道路エージェントの正確な予測を生成することにより,自律走行予測を効果的に解決することを示した。
関連論文リスト
- Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
本稿では,自律走行のための新しい軌道予測モデルを提案する。
本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。
提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
論文 参考訳(メタデータ) (2024-11-25T15:03:44Z) - Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on
Highways Using Transformer Networks [5.571793666361683]
本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。
提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。
その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-28T16:25:16Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳(メタデータ) (2023-03-12T16:23:27Z) - Scene Transformer: A unified multi-task model for behavior prediction
and planning [42.758178896204036]
実世界の運転環境における全てのエージェントの行動予測モデルを定式化する。
近年の言語モデリングアプローチにインスパイアされた我々は、マスキング戦略をモデルに対するクエリとして使用しています。
我々は,行動予測のための自律走行データセットに対するアプローチを評価し,最先端の性能を実現する。
論文 参考訳(メタデータ) (2021-06-15T20:20:44Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳(メタデータ) (2021-03-12T17:00:23Z) - LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。
本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
論文 参考訳(メタデータ) (2021-01-16T23:19:22Z) - Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。
我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。
シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文 参考訳(メタデータ) (2021-01-14T22:21:25Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Diverse and Admissible Trajectory Forecasting through Multimodal Context
Understanding [46.52703817997932]
自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。
マルチモーダル世界から複数の入力信号を合成するモデルを提案する。
従来の最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-03-06T13:59:39Z) - MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory
Prediction in Mixed Traffic [35.22312783822563]
都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。
本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。
推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
論文 参考訳(メタデータ) (2020-02-14T11:04:41Z)
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。