論文の概要: Domain Knowledge Driven Pseudo Labels for Interpretable Goal-Conditioned Interactive Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2203.15112v1
• Date: Mon, 28 Mar 2022 21:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 16:47:04.543710
• Title: Domain Knowledge Driven Pseudo Labels for Interpretable Goal-Conditioned Interactive Trajectory Prediction
• Title（参考訳）: 対話的軌道予測のためのドメイン知識駆動型擬似ラベル
• Authors: Lingfeng Sun, Chen Tang, Yaru Niu, Enna Sachdeva, Chiho Cho, Teruhisa Misu, Masayoshi Tomizuka, Wei Zhan
• Abstract要約: 目標条件付きフレームワークを用いた共同軌道予測問題について検討する。 本研究では,条件付き変分自動エンコーダ(CVAE)モデルを導入し,異なる相互作用モードを潜在空間に明示的にエンコードする。 KLの消滅を回避する新しい手法を提案し、擬似ラベルを用いた解釈可能な対話型潜在空間を誘導する。
• 参考スコア（独自算出の注目度）: 29.701029725302586
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motion forecasting in highly interactive scenarios is a challenging problem in autonomous driving. In such scenarios, we need to accurately predict the joint behavior of interacting agents to ensure the safe and efficient navigation of autonomous vehicles. Recently, goal-conditioned methods have gained increasing attention due to their advantage in performance and their ability to capture the multimodality in trajectory distribution. In this work, we study the joint trajectory prediction problem with the goal-conditioned framework. In particular, we introduce a conditional-variational-autoencoder-based (CVAE) model to explicitly encode different interaction modes into the latent space. However, we discover that the vanilla model suffers from posterior collapse and cannot induce an informative latent space as desired. To address these issues, we propose a novel approach to avoid KL vanishing and induce an interpretable interactive latent space with pseudo labels. The pseudo labels allow us to incorporate arbitrary domain knowledge on interaction. We motivate the proposed method using an illustrative toy example. In addition, we validate our framework on the Waymo Open Motion Dataset with both quantitative and qualitative evaluations.
• Abstract（参考訳）: 高度にインタラクティブなシナリオにおける動き予測は、自動運転において難しい問題である。 このようなシナリオでは、自律走行車の安全かつ効率的な航行を確保するために、相互作用するエージェントの協調行動を正確に予測する必要がある。 近年,軌道分布のマルチモーダリティを捉える能力や性能上有利な点から,目標条件付き手法が注目されている。 本研究では,目標条件付きフレームワークを用いた共同軌道予測問題について検討する。 特に,条件変分オートエンコーダ(CVAE)モデルを導入し,異なる相互作用モードを潜在空間に明示的にエンコードする。 しかし,バニラ模型は後方崩壊に悩まされており,望まれる情報的潜在空間を誘導できないことが判明した。 これらの問題に対処するため,我々はklの消失を回避し,擬似ラベルを持つ解釈可能な対話的潜在空間を誘導する新しい手法を提案する。 擬似ラベルは相互作用に任意のドメイン知識を組み込むことができます。 具体的玩具の例を用いて提案手法の動機付けを行う。 さらに,waymo open motionデータセット上で定量的・質的評価を行い,その枠組みを検証する。

関連論文リスト

• Collision Probability Distribution Estimation via Temporal Difference Learning [0.46085106405479537]
  累積衝突確率分布を推定する先駆的なフレームワークであるCollisionProを紹介する。 我々は、強化学習の文脈において、我々の枠組みを定式化し、安全に配慮したエージェントの道を開く。 現実的な自律運転シミュレータを用いて,本フレームワークの総合的な検討を行った。
  論文  参考訳（メタデータ） (2024-07-29T13:32:42Z)
• 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)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• 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)
• Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
  論文  参考訳（メタデータ） (2020-04-07T00:34:36Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatiotemporal Learning of Multivehicle Interaction Patterns in Lane-Change Scenarios [11.893098067272463]
  コモン・イット・チャレージング・インタラクションのシナリオの解釈は、自動運転車のしっかりとした決定に役立てることができる。 本稿では、連続(ガウス過程)および離散(ディリクレ過程)プロセスを活用するベイズ的非パラメトリックアプローチについて述べる。 提案手法は,車体ペデストリアン相互作用など,他の種類のマルチエージェント相互作用を効率的に解析することに重点を置いている。
  論文  参考訳（メタデータ） (2020-03-02T10:59:35Z)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。