論文の概要: KEMP: Keyframe-Based Hierarchical End-to-End Deep Model for Long-Term Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2205.04624v1
• Date: Tue, 10 May 2022 02:10:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 16:48:03.906497
• Title: KEMP: Keyframe-Based Hierarchical End-to-End Deep Model for Long-Term Trajectory Prediction
• Title（参考訳）: KEMP:長期軌道予測のための鍵フレームに基づく階層型エンドツーエンド深部モデル
• Authors: Qiujing Lu, Weiqiao Han, Jeffrey Ling, Minfa Wang, Haoyu Chen, Balakrishnan Varadarajan, Paul Covington
• Abstract要約: 軌道予測のための階層的なエンドツーエンドフレームワークであるKEMPを提案する。 私たちのフレームワークの中核は、Denseベースの軌道予測です。 目標条件付き手法とは異なり、予測器は自動で学習され、手作りのゴール選択アルゴリズムを必要としない。
• 参考スコア（独自算出の注目度）: 14.628121244216153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future trajectories of road agents is a critical task for autonomous driving. Recent goal-based trajectory prediction methods, such as DenseTNT and PECNet, have shown good performance on prediction tasks on public datasets. However, they usually require complicated goal-selection algorithms and optimization. In this work, we propose KEMP, a hierarchical end-to-end deep learning framework for trajectory prediction. At the core of our framework is keyframe-based trajectory prediction, where keyframes are representative states that trace out the general direction of the trajectory. KEMP first predicts keyframes conditioned on the road context, and then fills in intermediate states conditioned on the keyframes and the road context. Under our general framework, goal-conditioned methods are special cases in which the number of keyframes equal to one. Unlike goal-conditioned methods, our keyframe predictor is learned automatically and does not require hand-crafted goal-selection algorithms. We evaluate our model on public benchmarks and our model ranked 1st on Waymo Open Motion Dataset Leaderboard (as of September 1, 2021).
• Abstract（参考訳）: 道路エージェントの将来の軌道予測は自動運転にとって重要な課題である。 DenseTNTやPECNetのような最近の目標に基づく軌道予測手法は、公開データセット上の予測タスクに優れた性能を示す。 しかし、それらは通常複雑なゴール選択アルゴリズムと最適化を必要とする。 本研究では,軌跡予測のための階層型エンドツーエンドディープラーニングフレームワークであるkempを提案する。 私たちのフレームワークの中核は、キーフレームベースの軌道予測(keyframe-based trajectory prediction)です。 KEMPはまず、ロードコンテキストで条件付けられたキーフレームを予測し、キーフレームとロードコンテキストで条件付けられた中間状態を埋める。 一般的なフレームワークでは、目標条件付きメソッドはキーフレームの数を1に等しい特別なケースです。 目標条件付き手法とは異なり、キーフレーム予測器は自動的に学習され、手作りの目標選択アルゴリズムを必要としない。 公開ベンチマークで評価し,waymo open motion dataset leaderboard(2021年9月1日現在)で第1位となった。

関連論文リスト

• 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)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
  DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。 DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
  論文  参考訳（メタデータ） (2021-08-22T05:27:35Z)
• Accurate Grid Keypoint Learning for Efficient Video Prediction [87.71109421608232]
  キーポイントベースのビデオ予測手法は、トレーニングやデプロイメントにおいて、かなりの計算資源を消費することができる。 本稿では,長期的効率的な映像予測のための頑健で説明可能な中間キーポイント表現を目的とした,新しいグリッドキーポイント学習フレームワークを設計する。 提案手法は,計算資源の98%以上を節約しつつ,最先端のビデオ予測手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-28T05:04:30Z)
• DenseTNT: Waymo Open Dataset Motion Prediction Challenge 1st Place Solution [14.783327438913025]
  自律運転では、ゴールベースの多軌道予測手法が最近有効であることが証明され、まず最初にゴール候補を決め、次に最終目標を選択し、最後に選択した目標に基づいて軌道を完了させる。 本研究では,軌道予測のための高密度目標確率推定を行うアンカーフリーモデルDenseTNTを提案する。
  論文  参考訳（メタデータ） (2021-06-27T07:21:29Z)
• Stepwise Goal-Driven Networks for Trajectory Prediction [24.129731432223416]
  観測されたエージェントの将来の軌跡を,複数の時間スケールで推定し,その目標を用いて予測することを提案する。 SGNet(Stepwise Goal-Driven Network)という新しい軌道予測ネットワークを提案する。 特に、フレームワークには、履歴情報をキャプチャするエンコーダモジュール、一連の目標を未来に予測するステップワイズ目標推定モジュール、将来の軌道を予測するデコーダモジュールが組み込まれています。
  論文  参考訳（メタデータ） (2021-03-25T19:51:54Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)
• 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)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。