論文の概要: Bootstrap Motion Forecasting With Self-Consistent Constraints
- arxiv url: http://arxiv.org/abs/2204.05859v4
- Date: Sun, 26 Nov 2023 10:44:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 17:51:56.470301
- Title: Bootstrap Motion Forecasting With Self-Consistent Constraints
- Title(参考訳): 自己整合性制約によるブートストラップ動作予測
- Authors: Maosheng Ye, Jiamiao Xu, Xunnong Xu, Tengfei Wang, Tongyi Cao, Qifeng
Chen
- Abstract要約: 自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
- 参考スコア(独自算出の注目度): 52.88100002373369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel framework to bootstrap Motion forecasting with
Self-consistent Constraints (MISC). The motion forecasting task aims at
predicting future trajectories of vehicles by incorporating spatial and
temporal information from the past. A key design of MISC is the proposed Dual
Consistency Constraints that regularize the predicted trajectories under
spatial and temporal perturbation during training. Also, to model the
multi-modality in motion forecasting, we design a novel self-ensembling scheme
to obtain accurate teacher targets to enforce the self-constraints with
multi-modality supervision. With explicit constraints from multiple teacher
targets, we observe a clear improvement in the prediction performance.
Extensive experiments on the Argoverse motion forecasting benchmark and Waymo
Open Motion dataset show that MISC significantly outperforms the
state-of-the-art methods. As the proposed strategies are general and can be
easily incorporated into other motion forecasting approaches, we also
demonstrate that our proposed scheme consistently improves the prediction
performance of several existing methods.
- Abstract(参考訳): 自己整合性制約(MISC)を用いた動き予測をブートストラップする新しいフレームワークを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
miscの鍵となる設計は、トレーニング中の空間的および時間的摂動の下で予測された軌道を規則化する双対一貫性制約である。
また,運動予測におけるマルチモダリティをモデル化するために,教師のターゲットを正確に把握し,マルチモダリティを監督する新しいセルフセンシングスキームを設計する。
複数の教師の目標からの明示的な制約を伴って,予測性能の明確な改善を観察する。
argoverse motion forecasting benchmarkとwaymo open motion datasetに関する広範な実験は、miscが最先端の手法を大きく上回っていることを示している。
提案手法は一般的な手法であり,他の動き予測手法に容易に組み込むことができるため,提案手法は既存手法の予測性能を一貫して改善することを示す。
関連論文リスト
- DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for
Trajectory Prediction [8.25651323214656]
時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。
提案手法は,各種メトリクスの最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-11T12:41:32Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2023-10-09T16:17:42Z) - MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳(メタデータ) (2023-06-30T16:23:04Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Smooth-Trajectron++: Augmenting the Trajectron++ behaviour prediction
model with smooth attention [0.0]
本研究では,注目モジュールにスムーズな項を組み込んだトラジェクトリ予測モデルであるTrjectron++について検討する。
この注意機構は、注意切り替えの限界を示す認知科学の研究にインスパイアされた人間の注意を模倣する。
得られたSmooth-Trajectron++モデルの性能を評価し、様々なベンチマークで元のモデルと比較する。
論文 参考訳(メタデータ) (2023-05-31T09:19:55Z) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-05-17T14:14:31Z) - Raising context awareness in motion forecasting [30.86735692571529]
本稿では,意味的文脈情報の利用を促進するためのトレーニング手順を備えた動き予測モデルであるCABを紹介する。
また、連続した予測の時間的一貫性を測定するために、分散と収束から範囲への2つの新しい指標も導入する。
提案手法は,広く採用されているnuScenes予測ベンチマークを用いて評価する。
論文 参考訳(メタデータ) (2021-09-16T15:25:27Z) - RAIN: Reinforced Hybrid Attention Inference Network for Motion
Forecasting [34.54878390622877]
本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。
このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。
我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
論文 参考訳(メタデータ) (2021-08-03T06:30:30Z) - Individual Mobility Prediction: An Interpretable Activity-based Hidden
Markov Approach [6.1938383008964495]
本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。
提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
論文 参考訳(メタデータ) (2021-01-11T16:11:27Z) - 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。