論文の概要: Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2205.05404v1
• Date: Wed, 11 May 2022 11:01:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-12 19:35:03.889380
• Title: Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with Uncertainty Estimation
• Title（参考訳）: 不確実性推定による船体軌道予測のための再帰的エンコーダ・デコーダネットワーク
• Authors: Samuele Capobianco, Nicola Forti, Leonardo M. Millefiori, Paolo Braca, and Peter Willett
• Abstract要約: 海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。 本稿では、再帰型エンコーダデコーダニューラルネットワークの予測方法を検討することにより、トラジェクトリ予測タスクのためのディープラーニングフレームワークを拡張した。 ラベル付き入力データやラベルなし入力データに基づく2つのモデルの予測性能を比較し,不確かさの定量化と精度の向上について述べる。
• 参考スコア（独自算出の注目度）: 10.262354603266639
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent deep learning methods for vessel trajectory prediction are able to learn complex maritime patterns from historical Automatic Identification System (AIS) data and accurately predict sequences of future vessel positions with a prediction horizon of several hours. However, in maritime surveillance applications, reliably quantifying the prediction uncertainty can be as important as obtaining high accuracy. This paper extends deep learning frameworks for trajectory prediction tasks by exploring how recurrent encoder-decoder neural networks can be tasked not only to predict but also to yield a corresponding prediction uncertainty via Bayesian modeling of epistemic and aleatoric uncertainties. We compare the prediction performance of two different models based on labeled or unlabeled input data to highlight how uncertainty quantification and accuracy can be improved by using, if available, additional information on the intention of the ship (e.g., its planned destination).
• Abstract（参考訳）: 船舶軌道予測のための最近の深層学習手法は, 過去の自動識別システム(AIS)データから複雑な海洋パターンを学習し, 数時間の予測地平線で将来の船舶位置のシーケンスを正確に予測することができる。 しかし、海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。 本稿では,再帰的なエンコーダ・デコーダ・ニューラルネットの振舞いの予測だけでなく,ベイジアンモデルによる認識の不確かさの予測も行うことで,軌跡予測タスクのディープラーニングフレームワークを拡張した。 ラベル付きまたはラベル付き入力データに基づく2つの異なるモデルの予測性能を比較し,不確かさの定量化と精度の向上を,船(例えば,予定の目的地)の意図に関する追加情報を用いて強調する。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Long-Tail Prediction Uncertainty Aware Trajectory Planning for Self-driving Vehicles [12.645597960926601]
  近年の研究では、長い尾の運転シナリオ分布の後にデータセット上で訓練されたディープラーニングモデルが、尾の予測エラーに悩まされることが示されている。 この研究は、スパースデータによる高い誤差を定量化するための予測モデルの不確実性の概念を定義する。 提案手法は,不十分なデータによる予測の不確実性の下で軌道計画の安全性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-07-02T10:17:31Z)
• 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)
• Uncertainty-Aware Multiple Instance Learning fromLarge-Scale Long Time Series Data [20.2087807816461]
  本稿では,最も関連性の高い周期自動識別のための不確実性認識型マルチインスタンス(MIL)フレームワークを提案する。 さらに、別のモデルを訓練し、不確実性を考慮した融合を行うことにより、信頼できない予測を調整できる別のモダリティを組み込む。 実験結果から, 提案手法は, 軌道に基づく容器の形状を効果的に検出できることを示した。
  論文  参考訳（メタデータ） (2021-11-16T17:09:02Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。