論文の概要: Technical Report for Argoverse2 Challenge 2022 -- Motion Forecasting Task

• arxiv url: http://arxiv.org/abs/2206.07934v1
• Date: Thu, 16 Jun 2022 05:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 16:32:13.078939
• Title: Technical Report for Argoverse2 Challenge 2022 -- Motion Forecasting Task
• Title（参考訳）: argoverse2 challenge 2022 - motion forecasting task の技術報告
• Authors: Chen Zhang, Honglin Sun, Chen Chen, Yandong Guo
• Abstract要約: 本稿では,BANetと呼ばれる動作予測モデルを提案する。 ベクトルマップノードの埋め込み特性を得るためには,レーン中心線のみを入力として使用するだけでは十分ではないと我々は信じている。
• 参考スコア（独自算出の注目度）: 10.47741962311225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a motion forecasting model called BANet, which means Boundary-Aware Network, and it is a variant of LaneGCN. We believe that it is not enough to use only the lane centerline as input to obtain the embedding features of the vector map nodes. The lane centerline can only provide the topology of the lanes, and other elements of the vector map also contain rich information. For example, the lane boundary can provide traffic rule constraint information such as whether it is possible to change lanes which is very important. Therefore, we achieved better performance by encoding more vector map elements in the motion forecasting model.We report our results on the 2022 Argoverse2 Motion Forecasting challenge and rank 2nd on the test leaderboard.
• Abstract（参考訳）: 我々は境界認識ネットワークであるbanetと呼ばれる動作予測モデルを提案し, lanegcn の変種である。 ベクトルマップノードの埋め込み特性を得るためには,レーン中心線のみを入力として使用するだけでは不十分である。 レーンの中心線はレーンのトポロジーのみを提供することができ、ベクターマップの他の要素も豊富な情報を含んでいる。 例えば、車線境界は、非常に重要な車線変更が可能かどうかなどの交通規則制約情報を提供することができる。 そこで,我々は2022年のargoverse2モーション予測チャレンジにおいて,より多くのベクターマップ要素をエンコードすることで,よりよい性能を達成し,テストリーダボード上では第2位となった。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• YOLinO++: Single-Shot Estimation of Generic Polylines for Mapless Automated Diving [6.752932360113276]
  自動走行では、認識をサポートし補完するために非常に正確な地図が一般的に使用される。 本稿では,画像中の1次元構造を検出するために,YOLOのワンショット哲学に従うニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-01T20:10:01Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning [51.29906807247014]
  トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。 トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
  論文  参考訳（メタデータ） (2023-10-10T16:24:51Z)
• TopoMask: Instance-Mask-Based Formulation for the Road Topology Problem via Transformer-Based Architecture [4.970364068620607]
  道路トポロジにおける中心線予測のためのTopoMaskを紹介する。 TopoMaskはOpenLane-V2スコア(OLS)で4位、OpenLane Topology Challenge 2023ではF1スコアで2位にランクインしている。
  論文  参考訳（メタデータ） (2023-06-08T17:58:57Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Path-Aware Graph Attention for HD Maps in Motion Prediction [4.531240717484252]
  自律運転における動作予測の成功は、HDマップからの情報の統合に依存している。 本稿では,2つの頂点間の注意関係を,接続する経路を構成するエッジの列を解析することによって推定する新しい注目アーキテクチャであるPath-Aware Graph Attentionを提案する。 本分析は,GCNのような既存のグラフネットワークが苦戦している現実的な問題において,提案した注意機構が学習を促進する方法を示す。
  論文  参考訳（メタデータ） (2022-02-23T09:43:47Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)

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。