論文の概要: Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models

• arxiv url: http://arxiv.org/abs/2204.02392v1
• Date: Tue, 5 Apr 2022 17:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:15:09.842756
• Title: Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models
• Title（参考訳）: ディープインタラクティブモーション予測と計画:モーション予測モデルを用いたゲーム
• Authors: Jose L. Vazquez, Alexander Liniger, Wilko Schwarting, Daniela Rus, Luc Van Gool
• Abstract要約: 本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。 本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
• 参考スコア（独自算出の注目度）: 162.21629604674388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In most classical Autonomous Vehicle (AV) stacks, the prediction and planning layers are separated, limiting the planner to react to predictions that are not informed by the planned trajectory of the AV. This work presents a module that tightly couples these layers via a game-theoretic Model Predictive Controller (MPC) that uses a novel interactive multi-agent neural network policy as part of its predictive model. In our setting, the MPC planner considers all the surrounding agents by informing the multi-agent policy with the planned state sequence. Fundamental to the success of our method is the design of a novel multi-agent policy network that can steer a vehicle given the state of the surrounding agents and the map information. The policy network is trained implicitly with ground-truth observation data using backpropagation through time and a differentiable dynamics model to roll out the trajectory forward in time. Finally, we show that our multi-agent policy network learns to drive while interacting with the environment, and, when combined with the game-theoretic MPC planner, can successfully generate interactive behaviors.
• Abstract（参考訳）: 多くの古典的な自律走行車(AV)スタックでは、予測層と計画層が分離され、計画者はAVの計画された軌道で知らせられていない予測に反応する。 本研究は、ゲーム理論モデル予測コントローラ(mpc)を介してこれらの層を密結合するモジュールを示し、その予測モデルの一部として、新しい対話型マルチエージェントニューラルネットワークポリシを使用する。 我々の設定では、MPCプランナーは、計画された状態シーケンスでマルチエージェントポリシーを通知することで、周囲のエージェントをすべて考慮します。 本手法の成功の基盤は,周辺エージェントの状況と地図情報を考慮し,車両を操縦することのできる,新たなマルチエージェント・ポリシー・ネットワークの設計である。 ポリシーネットワークは、時間を通じてバックプロパゲーションと微分可能なダイナミクスモデルを使用して、地対地観測データで暗黙的に訓練され、軌道を時間内にロールアウトする。 最後に,我々のマルチエージェントポリシネットワークは,環境と対話しながら運転を学習し,ゲーム理論のMPCプランナと組み合わせることで,インタラクティブな動作を実現できることを示す。

関連論文リスト

• 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)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Pixel State Value Network for Combined Prediction and Planning in Interactive Environments [9.117828575880303]
  本研究は,予測と計画を組み合わせた深層学習手法を提案する。 U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。 結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:13Z)
• Scene Transformer: A unified multi-task model for behavior prediction and planning [42.758178896204036]
  実世界の運転環境における全てのエージェントの行動予測モデルを定式化する。 近年の言語モデリングアプローチにインスパイアされた我々は、マスキング戦略をモデルに対するクエリとして使用しています。 我々は,行動予測のための自律走行データセットに対するアプローチを評価し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-06-15T20:20:44Z)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)
• Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search [11.412720572948086]
  群衆や交通などの動的環境におけるロボット経路計画のための最先端の手法は、エージェントのための手作りのモーションモデルに依存している。 本稿では,モンテカルロ木探索(MCTS)における生成的リカレントニューラルネットワークを用いた統合経路計画フレームワークを提案する。 提案手法は,対話時の動作予測精度を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-01-30T22:46:37Z)

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。