論文の概要: Improving Diversity of Multiple Trajectory Prediction based on Map-adaptive Lane Loss

• arxiv url: http://arxiv.org/abs/2206.08641v1
• Date: Fri, 17 Jun 2022 09:09:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 14:12:01.259926
• Title: Improving Diversity of Multiple Trajectory Prediction based on Map-adaptive Lane Loss
• Title（参考訳）: 地図適応レーン損失に基づく複数軌道予測の多様性向上
• Authors: Sanmin Kim, Hyeongseok Jeon, Junwon Choi, and Dongsuk Kum
• Abstract要約: 本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。 Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 12.963269946571476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior arts in the field of motion predictions for autonomous driving tend to focus on finding a trajectory that is close to the ground truth trajectory. Such problem formulations and approaches, however, frequently lead to loss of diversity and biased trajectory predictions. Therefore, they are unsuitable for real-world autonomous driving where diverse and road-dependent multimodal trajectory predictions are critical for safety. To this end, this study proposes a novel loss function, \textit{Lane Loss}, that ensures map-adaptive diversity and accommodates geometric constraints. A two-stage trajectory prediction architecture with a novel trajectory candidate proposal module, \textit{Trajectory Prediction Attention (TPA)}, is trained with Lane Loss encourages multiple trajectories to be diversely distributed, covering feasible maneuvers in a map-aware manner. Furthermore, considering that the existing trajectory performance metrics are focusing on evaluating the accuracy based on the ground truth future trajectory, a quantitative evaluation metric is also suggested to evaluate the diversity of predicted multiple trajectories. The experiments performed on the Argoverse dataset show that the proposed method significantly improves the diversity of the predicted trajectories without sacrificing the prediction accuracy.
• Abstract（参考訳）: 自律走行のための運動予測の分野における先行技術は、地上の真理軌道に近い軌道を見つけることに集中する傾向がある。 しかし、このような問題定式化とアプローチは、しばしば多様性の喪失と偏りのある軌道予測につながる。 したがって、多様な道路依存のマルチモーダル軌道予測が安全にとって重要な現実の自動運転には適さない。 そこで本研究では,マップ適応型多様性を保証し,幾何学的制約を満たす新しい損失関数 \textit{lane loss} を提案する。 新規な軌道候補提案モジュールである \textit{trajectory prediction attention (tpa)} を備えた2段階の軌道予測アーキテクチャは、レーン損失で訓練され、複数の軌道が多様に分散され、地図認識の方法で実現可能な操作がカバーされる。 さらに、既存の軌道性能指標が地中の将来軌道に基づく精度評価に重点を置いていることを考慮し、予測された複数の軌道の多様性を評価する定量的評価指標を提案する。 argoverseデータセットで行った実験により,提案手法は予測精度を犠牲にすることなく,予測軌道の多様性を著しく向上させることがわかった。

関連論文リスト

• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• TrajDiffuse: A Conditional Diffusion Model for Environment-Aware Trajectory Prediction [16.188078087197106]
  本稿では,新しい条件付き拡散モデルを用いた計画に基づく軌道予測手法であるTrajDiffuseを提案する。 本研究では, 軌道予測問題を不特定課題として定式化し, 拡散過程の地図に基づくガイダンス項を設計する。 TrajDiffuseは、環境制約にほぼ完全に準拠しながら、SOTAの正確さと多様性を一致または超過する軌道予測を生成することができる。
  論文  参考訳（メタデータ） (2024-10-14T17:59:03Z)
• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [8.398221841050349]
  軌道予測は、自動運転車の周囲の障害物の動きを記述する。 本稿では,自律走行車における軌道予測におけるアウト・オブ・ディストリビューションのリアルタイム認識を確立することを目的とする。 提案手法は軽量であり, 軌道予測推定時にいつでもアウト・オブ・ディストリビューションの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Motion Forecasting via Model-Based Risk Minimization [8.766024024417316]
  複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。 まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。 基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
  論文  参考訳（メタデータ） (2024-09-16T09:03:28Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision [2.365702128814616]
  正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
  論文  参考訳（メタデータ） (2023-06-06T02:46:28Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。