論文の概要: RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics

• arxiv url: http://arxiv.org/abs/2202.09977v1
• Date: Mon, 21 Feb 2022 03:55:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 12:56:56.193617
• Title: RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics
• Title（参考訳）: rtgnn:確率的交通力学モデルへの新しいアプローチ
• Authors: Ke Sun, Stephen Chaves, Paul Martin, Vijay Kumar
• Abstract要約: RTGNN(Recurrent Traffic Graph Neural Network)を提案する。 RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。 我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
• 参考スコア（独自算出の注目度）: 9.267045415696263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling stochastic traffic dynamics is critical to developing self-driving cars. Because it is difficult to develop first principle models of cars driven by humans, there is great potential for using data driven approaches in developing traffic dynamical models. While there is extensive literature on this subject, previous works mainly address the prediction accuracy of data-driven models. Moreover, it is often difficult to apply these models to common planning frameworks since they fail to meet the assumptions therein. In this work, we propose a new stochastic traffic model, Recurrent Traffic Graph Neural Network (RTGNN), by enforcing additional structures on the model so that the proposed model can be seamlessly integrated with existing motion planning algorithms. RTGNN is a Markovian model and is able to infer future traffic states conditioned on the motion of the ego vehicle. Specifically, RTGNN uses a definition of the traffic state that includes the state of all players in a local region and is therefore able to make joint predictions for all agents of interest. Meanwhile, we explicitly model the hidden states of agents, "intentions," as part of the traffic state to reflect the inherent partial observability of traffic dynamics. The above mentioned properties are critical for integrating RTGNN with motion planning algorithms coupling prediction and decision making. Despite the additional structures, we show that RTGNN is able to achieve state-of-the-art accuracy through comparisons with other similar works.
• Abstract（参考訳）: 確率的交通力学のモデル化は自動運転車の開発に不可欠である。 人間の運転する自動車の第一原理モデルの開発は困難であるため、交通力学モデルの開発においてデータ駆動アプローチを使用する可能性は非常に高い。 この問題については広範な文献があるが、先行研究は主にデータ駆動モデルの予測精度に対処している。 さらに、これらのモデルを一般的な計画フレームワークに適用することは、その仮定を満たさないため、しばしば困難である。 本研究では,提案するモデルが既存の動き計画アルゴリズムとシームレスに統合できるように,モデルに追加構造を強制することにより,新しい確率的トラヒックモデルであるリカレントトラヒックグラフニューラルネットワーク(rtgnn)を提案する。 RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。 具体的には、RTGNNは、地域内のすべてのプレイヤーの状態を含むトラフィック状態の定義を使用しており、したがって興味のあるすべてのエージェントに対して共同予測を行うことができる。 一方,エージェントの隠れ状態である「意図」をトラフィック状態の一部として明示的にモデル化し,トラフィックダイナミクスの固有の部分的可観測性を反映する。 上記の特性は、RTGNNと動き計画アルゴリズムの統合と、予測と意思決定の結合に重要である。 追加構造にもかかわらず、RTGNNは他の類似作品との比較により最先端の精度を達成可能であることを示す。

関連論文リスト

• High-Order Evolving Graphs for Enhanced Representation of Traffic Dynamics [4.856478623606766]
  本稿では,自律運転における表現性の向上を目的とした,高次進化グラフを用いた交通動態解析のための革新的なフレームワークを提案する。 提案手法は,交通シーン内の複雑な相互作用をリアルタイムにモデル化する双方向の時間的二部グラフを構築する。
  論文  参考訳（メタデータ） (2024-09-17T14:00:58Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• 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)
• Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
  本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。 本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2023-05-01T00:58:48Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism [0.0]
  短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。 グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。 この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-10T09:19:12Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• 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)

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。