論文の概要: Probabilistic Symmetry for Multi-Agent Dynamics

• arxiv url: http://arxiv.org/abs/2205.01927v3
• Date: Thu, 18 May 2023 19:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 20:01:17.920120
• Title: Probabilistic Symmetry for Multi-Agent Dynamics
• Title（参考訳）: マルチエージェントダイナミクスの確率論的対称性
• Authors: Sophia Sun, Robin Walters, Jinxi Li, Rose Yu
• Abstract要約: 本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
• 参考スコア（独自算出の注目度）: 18.94585103009698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning multi-agent dynamics is a core AI problem with broad applications in robotics and autonomous driving. While most existing works focus on deterministic prediction, producing probabilistic forecasts to quantify uncertainty and assess risks is critical for downstream decision-making tasks such as motion planning and collision avoidance. Multi-agent dynamics often contains internal symmetry. By leveraging symmetry, specifically rotation equivariance, we can improve not only the prediction accuracy but also uncertainty calibration. We introduce Energy Score, a proper scoring rule, to evaluate probabilistic predictions. We propose a novel deep dynamics model, Probabilistic Equivariant Continuous COnvolution (PECCO) for probabilistic prediction of multi-agent trajectories. PECCO extends equivariant continuous convolution to model the joint velocity distribution of multiple agents. It uses dynamics integration to propagate the uncertainty from velocity to position. On both synthetic and real-world datasets, PECCO shows significant improvements in accuracy and calibration compared to non-equivariant baselines.
• Abstract（参考訳）: マルチエージェントダイナミクスの学習は、ロボット工学や自律運転における幅広い応用において、コアAI問題である。 既存の作品の多くは決定論的予測に重点を置いているが、不確実性を定量化しリスクを評価する確率的予測を作成することは、モーションプランニングや衝突回避といった下流の意思決定タスクにとって重要である。 マルチエージェント力学はしばしば内部対称性を含む。 対称性、特に回転平衡を利用することで、予測精度だけでなく不確かさの校正も改善できる。 適切なスコアルールであるエネルギースコアを導入し,確率的予測を評価する。 本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 peccoは同変連続畳み込みを拡張し、複数のエージェントの結合速度分布をモデル化する。 速度から位置への不確実性を伝達するためにダイナミクス統合を使用する。 合成データセットと実世界のデータセットの両方において、PECCOは非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。

関連論文リスト

• Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion [26.715578412088327]
  モデルに依存しない不確実性を考慮した歩行者軌道予測手法を提案する。 従来の研究とは異なり、予測性は明示的な分布に変換され、予測可能な将来の軌道を生成することができる。 私たちのフレームワークは、さまざまなニューラルネットアーキテクチャと互換性があります。
  論文  参考訳（メタデータ） (2023-03-15T04:58:43Z)
• Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting [16.04029885574568]
  時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。 提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。 提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
  論文  参考訳（メタデータ） (2022-12-10T22:50:00Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Trajectory Prediction using Equivariant Continuous Convolution [21.29323790182332]
  軌道予測は、自動運転車の安全な運転など、多くのAIアプリケーションにおいて重要な部分である。 我々は、軌道予測を改善するための新しいモデル、Equivariant Continous Convolution (ECCO)を提案する。 車両と歩行者の軌跡データセットの両方において、ECCOは極めて少ないパラメータで競争精度を達成している。
  論文  参考訳（メタデータ） (2020-10-21T23:18:42Z)
• Estimation of Accurate and Calibrated Uncertainties in Deterministic models [0.8702432681310401]
  我々は,決定論的予測を確率論的予測に変換する手法を考案した。 そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。 隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
  論文  参考訳（メタデータ） (2020-03-11T04:02:56Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。