論文の概要: M2I: From Factored Marginal Trajectory Prediction to Interactive
Prediction
- arxiv url: http://arxiv.org/abs/2202.11884v1
- Date: Thu, 24 Feb 2022 03:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 16:13:36.611896
- Title: M2I: From Factored Marginal Trajectory Prediction to Interactive
Prediction
- Title(参考訳): M2I:因子的辺縁軌道予測から対話的予測へ
- Authors: Qiao Sun, Xin Huang, Junru Gu, Brian C. Williams, Hang Zhao
- Abstract要約: 既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。
本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。
提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
- 参考スコア(独自算出の注目度): 26.49897317427192
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting future motions of road participants is an important task for
driving autonomously in urban scenes. Existing models excel at predicting
marginal trajectories for single agents, yet it remains an open question to
jointly predict scene compliant trajectories over multiple agents. The
challenge is due to exponentially increasing prediction space as a function of
the number of agents. In this work, we exploit the underlying relations between
interacting agents and decouple the joint prediction problem into marginal
prediction problems. Our proposed approach M2I first classifies interacting
agents as pairs of influencers and reactors, and then leverages a marginal
prediction model and a conditional prediction model to predict trajectories for
the influencers and reactors, respectively. The predictions from interacting
agents are combined and selected according to their joint likelihoods.
Experiments show that our simple but effective approach achieves
state-of-the-art performance on the Waymo Open Motion Dataset interactive
prediction benchmark.
- Abstract(参考訳): 道路参加者の将来の動きを予測することは都市部における自律運転の重要な課題である。
既存のモデルは単一エージェントの限界軌道を予測するのに優れているが、複数のエージェントに対してシーン準拠の軌道を共同で予測することは未解決の問題である。
この課題は、エージェント数の関数としての予測空間が指数関数的に増加するためである。
本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。
提案手法であるm2iは,まず相互作用剤をインフルエンサーとリアクターのペアとして分類し,次に限界予測モデルと条件予測モデルを用いてインフルエンサーとリアクターの軌道予測を行う。
相互作用剤からの予測は結合可能性に応じて組み合わせて選択される。
実験の結果,waymo open motion dataset interactive prediction benchmarkにおいて,最先端のパフォーマンスを実現することができた。
関連論文リスト
- MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction [6.110153599741102]
交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。
既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。
本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-04-30T06:21:42Z) - Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。
MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。
時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文 参考訳(メタデータ) (2024-04-25T12:47:47Z) - Kraken: enabling joint trajectory prediction by utilizing Mode
Transformer and Greedy Mode Processing [1.1652135545484206]
Krakenは、アクター間のペアワイズインタラクションを近似できるリアルタイムな軌道予測モデルである。
2021年10月、Kraken on Motion Prediction Challengeにおいて、Kraken on Motion Predictionがリーダーボードで第1位、Interaction Motion Leaderboardで第2位を占めた。
論文 参考訳(メタデータ) (2023-12-08T16:24:05Z) - Leveraging Future Relationship Reasoning for Vehicle Trajectory
Prediction [27.614778027454417]
本稿では,車線情報を用いてエージェント間の将来の関係を予測する手法を提案する。
エージェントの粗い将来の動きを得るため,まず車線レベルのウェイポイント占有確率を予測した。
次に,各エージェントペアに対して隣接車線を通過させる時間的確率を利用して,隣接車線を通過するエージェントが高度に相互作用すると仮定する。
論文 参考訳(メタデータ) (2023-05-24T04:33:28Z) - ProspectNet: Weighted Conditional Attention for Future Interaction
Modeling in Behavior Prediction [5.520507323174275]
本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。
本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。
ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
論文 参考訳(メタデータ) (2022-08-29T19:29:49Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction [32.970169015894705]
我々は,時間的全変動に基づくマルチエージェントインタラクションの注意モデルを構築した。
我々は,その利点を,合成運転データと自然運転データの両方に対する最先端のアプローチと比較することにより,予測精度の面で示す。
論文 参考訳(メタデータ) (2022-03-08T21:54:28Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - Unlimited Neighborhood Interaction for Heterogeneous Trajectory
Prediction [97.40338982628094]
マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。
具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。
階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
論文 参考訳(メタデータ) (2021-07-31T13:36:04Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z)
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。