論文の概要: Occupancy Flow Fields for Motion Forecasting in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2203.03875v1
- Date: Tue, 8 Mar 2022 06:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 15:41:34.142334
- Title: Occupancy Flow Fields for Motion Forecasting in Autonomous Driving
- Title（参考訳）: 自律運転における移動予測のための占有フロー場
- Authors: Reza Mahjourian, Jinkyu Kim, Yuning Chai, Mingxing Tan, Ben Sapp,
Dragomir Anguelov
- Abstract要約: 複数のエージェントの動作予測のための新しい表現であるOccupancy Flow Fieldsを提案する。
我々の表現は、各格子セルが任意のエージェントによって占有されているセルの確率等級と、そのセルの運動方向を表す2次元フローベクトルの両方を含む時間格子である。
我々は、大規模な社内自動運転データセットとInterACTIONデータセットの実験結果について報告し、我々のモデルが最先端のモデルより優れていることを示す。
- 参考スコア（独自算出の注目度）: 36.64394937525725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Occupancy Flow Fields, a new representation for motion forecasting
of multiple agents, an important task in autonomous driving. Our representation
is a spatio-temporal grid with each grid cell containing both the probability
of the cell being occupied by any agent, and a two-dimensional flow vector
representing the direction and magnitude of the motion in that cell. Our method
successfully mitigates shortcomings of the two most commonly-used
representations for motion forecasting: trajectory sets and occupancy grids.
Although occupancy grids efficiently represent the probabilistic location of
many agents jointly, they do not capture agent motion and lose the agent
identities. To this end, we propose a deep learning architecture that generates
Occupancy Flow Fields with the help of a new flow trace loss that establishes
consistency between the occupancy and flow predictions. We demonstrate the
effectiveness of our approach using three metrics on occupancy prediction,
motion estimation, and agent ID recovery. In addition, we introduce the problem
of predicting speculative agents, which are currently-occluded agents that may
appear in the future through dis-occlusion or by entering the field of view. We
report experimental results on a large in-house autonomous driving dataset and
the public INTERACTION dataset, and show that our model outperforms
state-of-the-art models.
- Abstract（参考訳）: 本研究では,複数のエージェントの動作予測のための新しい表現である占有フロー場を提案する。
我々の表現は、各格子セルが任意のエージェントによって占有されるセルの確率と、そのセルの運動の方向と大きさを表す2次元フローベクトルの両方を含む時空間格子である。
本手法は,運動予測において最もよく用いられる2つの表現である軌道集合と占有格子の欠点を緩和する。
占有グリッドは、多数のエージェントの確率的位置を効率良く表現するが、エージェントの動きを捉えず、エージェントのアイデンティティを失う。
そこで本研究では,新たなフロートレース損失を生かし,占有率とフロー予測の整合性を確立することによって,Occupancy Flow Fieldsを生成するディープラーニングアーキテクチャを提案する。
提案手法は, 占有率予測, 運動推定, エージェントid復元の3つの指標を用いて有効性を示す。
また,現在排除されている投機エージェントである投機エージェントが,隠蔽や視野に入ることによって将来現れる可能性があるという問題も紹介する。
我々は,大規模自動運転データセットと公開インタラクションデータセットを用いた実験結果を報告し,そのモデルが最先端モデルよりも優れていることを示す。
関連論文リスト
- Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。
本稿では,多エージェント軌道予測のための拡散モデルを提案する。
このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文 参考訳（メタデータ） (2024-03-18T10:35:15Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow
Prediction [18.277777620073685]
本稿では, 正確な占有率と流量予測を実現するために, 新規な占有流量予測器を提案する。
我々のモデルは,オープンデータセットの占有率とフロー予測チャレンジで3位にランクされ,閉鎖された占有率とフロー予測タスクにおいて最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-08-09T03:49:04Z) - 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) - 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) - 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) - Traffic Agent Trajectory Prediction Using Social Convolution and
Attention Mechanism [57.68557165836806]
本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。
対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。
提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
論文 参考訳（メタデータ） (2020-07-06T03:48:08Z) - Improving Movement Predictions of Traffic Actors in Bird's-Eye View
Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。
一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。
本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。
提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-04-14T00:41:17Z)
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。
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。