論文の概要: TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator
and Predictor
- arxiv url: http://arxiv.org/abs/2203.01261v1
- Date: Wed, 2 Mar 2022 17:37:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 15:59:04.255959
- Title: TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator
and Predictor
- Title(参考訳): TAE: 半教師付き行動認識型軌道発生器と予測器
- Authors: Ruochen Jiao, Xiangguo Liu, Bowen Zheng, Dave Liang, and Qi Zhu
- Abstract要約: 軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。
本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。
我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
- 参考スコア(独自算出の注目度): 3.6955256596550137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory generation and prediction are two interwoven tasks that play
important roles in planner evaluation and decision making for intelligent
vehicles. Most existing methods focus on one of the two and are optimized to
directly output the final generated/predicted trajectories, which only contain
limited information for critical scenario augmentation and safe planning. In
this work, we propose a novel behavior-aware Trajectory Autoencoder (TAE) that
explicitly models drivers' behavior such as aggressiveness and intention in the
latent space, using semi-supervised adversarial autoencoder and domain
knowledge in transportation. Our model addresses trajectory generation and
prediction in a unified architecture and benefits both tasks: the model can
generate diverse, controllable and realistic trajectories to enhance planner
optimization in safety-critical and long-tailed scenarios, and it can provide
prediction of critical behavior in addition to the final trajectories for
decision making. Experimental results demonstrate that our method achieves
promising performance on both trajectory generation and prediction.
- Abstract(参考訳): 軌道生成と予測は、インテリジェントな車両のプランナー評価と意思決定において重要な役割を果たす2つの織り込み作業である。
既存の手法のほとんどは2つのうちの1つに焦点を当てており、重要なシナリオ拡張と安全な計画のための限られた情報のみを含む最終生成/予測軌道を直接出力するように最適化されている。
本研究では、半教師付き対向オートエンコーダと輸送分野におけるドメイン知識を用いて、ドライバーの攻撃性や意図といった行動を明確にモデル化する行動認識型トラジェクトリオートエンコーダ(TAE)を提案する。
我々のモデルは、統一されたアーキテクチャにおける軌跡生成と予測に対処し、両方のタスクの利点を享受する:モデルは、多様な制御可能かつ現実的な軌跡を生成でき、安全クリティカルかつ長期のシナリオにおけるプランナー最適化を強化し、決定のための最終的な軌跡に加えて、臨界行動の予測を提供することができる。
実験の結果, 軌道生成と予測の両方において有望な性能が得られることがわかった。
関連論文リスト
- Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set
Prediction [13.235070498354672]
本研究は, 軌道予測能力の向上を目的とした, DOS(Dynamic Occupancy Set)予測の新しい手法を提案する。
トラフィック参加者の潜在的占有セットを予測するための、包括的で適応可能なフレームワークを提供する。
本研究は、より安全で効率的な車両・輸送システムの進歩に寄与する。
論文 参考訳(メタデータ) (2024-02-29T17:36:39Z) - Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳(メタデータ) (2023-12-19T12:56:56Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。
ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。
我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
論文 参考訳(メタデータ) (2021-03-06T04:49:24Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳(メタデータ) (2021-02-18T02:25:35Z) - 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) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。