論文の概要: Interventional Behavior Prediction: Avoiding Overly Confident Anticipation in Interactive Prediction

• arxiv url: http://arxiv.org/abs/2204.08665v1
• Date: Tue, 19 Apr 2022 04:58:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 14:46:07.164397
• Title: Interventional Behavior Prediction: Avoiding Overly Confident Anticipation in Interactive Prediction
• Title（参考訳）: 干渉行動予測:対話的予測における過度な信頼の予測を避ける
• Authors: Chen Tang, Wei Zhan, Masayoshi Tomizuka
• Abstract要約: 条件付き行動予測は、コヒーレントな対話的予測および計画フレームワークの基礎を構築する。 我々は、割り当てられたエゴエージェントの将来の軌跡に基づいて、対象エージェントの将来の軌跡の後方分布を近似する予測モデルを訓練する。 提案手法は,IPPベンチマークの確立において重要な役割を担う時間的独立性に反するCBPモデルを効果的に同定できることを示す。
• 参考スコア（独自算出の注目度）: 40.18676678431582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conditional behavior prediction (CBP) builds up the foundation for a coherent interactive prediction and planning framework that can enable more efficient and less conservative maneuvers in interactive scenarios. In CBP task, we train a prediction model approximating the posterior distribution of target agents' future trajectories conditioned on the future trajectory of an assigned ego agent. However, we argue that CBP may provide overly confident anticipation on how the autonomous agent may influence the target agents' behavior. Consequently, it is risky for the planner to query a CBP model. Instead, we should treat the planned trajectory as an intervention and let the model learn the trajectory distribution under intervention. We refer to it as the interventional behavior prediction (IBP) task. Moreover, to properly evaluate an IBP model with offline datasets, we propose a Shapley-value-based metric to testify if the prediction model satisfies the inherent temporal independence of an interventional distribution. We show that the proposed metric can effectively identify a CBP model violating the temporal independence, which plays an important role when establishing IBP benchmarks.
• Abstract（参考訳）: 条件付き行動予測(cbp)は、対話的なシナリオにおいてより効率的で控えめな操作を可能にする、一貫性のある対話型予測および計画フレームワークの基礎を構築します。 CBPタスクでは、割り当てられたエゴエージェントの将来の軌跡に基づいて、対象エージェントの将来の軌跡の後方分布を近似する予測モデルを訓練する。 しかし, CBPは, 自律エージェントがターゲットエージェントの行動にどのような影響を及ぼすか, 過度に自信を持って予測できる可能性がある。 したがって、プランナーがCBPモデルに問い合わせるのは危険である。 代わりに、計画された軌道を介入として扱い、モデルに介入中の軌道分布を学習させるべきである。 我々はこれを介入行動予測(ibp)タスクと呼んでいる。 さらに、オフラインデータセットを用いたIPPモデルを適切に評価するために、予測モデルが介入分布の時間的独立性を満たすかどうかを検証するためのShapley-value-based metricを提案する。 提案手法は,IPPベンチマークの確立において重要な役割を担う時間的独立性に反するCBPモデルを効果的に同定できることを示す。

関連論文リスト

• Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators [9.336308366735656]
  本稿では,電力系統における後電圧トラジェクトリの間隔を予測するための新しいデータ駆動手法を提案する。 提案した演算子回帰モデルでは、電圧軌跡の観測された部分を、観測後の未観測軌跡にマッピングする。 ニューイングランド39バス試験システムを用いて提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-31T17:20:13Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction [6.110153599741102]
  交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。 既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。 本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-30T06:21:42Z)
• PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
  軌道予測は自動運転スタックにおいて重要な役割を果たす。 近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
  論文  参考訳（メタデータ） (2023-09-07T14:45:41Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• 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)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Deceptive Decision-Making Under Uncertainty [25.197098169762356]
  タスクを遂行しながら,外部の観察者の意図を判断できる自律エージェントの設計について検討する。 エージェントの動作をマルコフ決定プロセスとしてモデル化することにより、エージェントが複数の潜在的な目標を達成するための設定を考える。 本稿では,最大エントロピーの原理に基づいて観測者予測をモデル化し,認識戦略を効率的に生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-09-14T14:56:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
  我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-08T13:08:34Z)

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。