Fugu-MT 論文翻訳(概要): Importance is in your attention: agent importance prediction for autonomous driving

論文の概要: Importance is in your attention: agent importance prediction for autonomous driving

arxiv url: http://arxiv.org/abs/2204.09121v1
Date: Tue, 19 Apr 2022 20:34:30 GMT
ステータス: 処理完了
システム内更新日: 2022-04-22 01:27:03.393728
Title: Importance is in your attention: agent importance prediction for autonomous driving
Title（参考訳）: 自律運転におけるエージェント重要度予測の重要性
Authors: Christopher Hazard, Akshay Bhagat, Balarama Raju Buddharaju, Zhongtao Liu, Yunming Shao, Lu Lu, Sammy Omari, Henggang Cui
Abstract要約: 軌道予測は自動運転において重要な課題である。また,エゴ車両の今後の計画軌道について,各エージェントの重要度を計測するためにも注意情報を利用することができることを示す。
参考スコア（独自算出の注目度）: 4.176937532441124
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Trajectory prediction is an important task in autonomous driving. State-of-the-art trajectory prediction models often use attention mechanisms to model the interaction between agents. In this paper, we show that the attention information from such models can also be used to measure the importance of each agent with respect to the ego vehicle's future planned trajectory. Our experiment results on the nuPlans dataset show that our method can effectively find and rank surrounding agents by their impact on the ego's plan.
Abstract（参考訳）: 軌道予測は自動運転において重要な課題である。最先端の軌道予測モデルは、しばしばエージェント間の相互作用をモデル化するために注意機構を使用する。本稿では,これらのモデルから得られた注意情報を用いて,ego車両の今後の計画軌道に対する各エージェントの重要度を計測できることを示す。 nuPlans データセットを用いた実験の結果,エゴの計画に影響を及ぼすエージェントを効果的に発見・ランク付けできることがわかった。

関連論文リスト

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)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
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)
Explainable Action Prediction through Self-Supervision on Scene Graphs [8.028093810066247]
この研究は、自律運転のための高レベル情報の蒸留表現としてシーングラフを探索する。代表的および分離性の高い埋め込みを推論するための自己超越パイプラインを提案する。 ROADデータセット上のシステムと、完全に教師されたアプローチを比較検討し、トレーニング体制の優位性を示した。
論文参考訳（メタデータ） (2023-02-07T14:05:02Z)
Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
自律運転における多モーダル軌道予測のための新しい枠組みを提案する。我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
論文参考訳（メタデータ） (2022-08-31T18:43:23Z)
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)
Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction [32.970169015894705]
我々は,時間的全変動に基づくマルチエージェントインタラクションの注意モデルを構築した。我々は,その利点を,合成運転データと自然運転データの両方に対する最先端のアプローチと比較することにより,予測精度の面で示す。
論文参考訳（メタデータ） (2022-03-08T21:54:28Z)
Important Object Identification with Semi-Supervised Learning for Autonomous Driving [37.654878298744855]
本稿では,エゴセントリック駆動シナリオにおける重要な物体識別のための新しい手法を提案する。モデルが無制限なラベル付きデータから学習できるようにするための,半教師付き学習パイプラインを提案する。私たちのアプローチはルールベースのベースラインよりも大きなマージンで優れています。
論文参考訳（メタデータ） (2022-03-05T01:23:13Z)
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)
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)
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)

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。