Fugu-MT 論文翻訳(概要): S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving

論文の概要: S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving

arxiv url: http://arxiv.org/abs/2206.10902v1
Date: Wed, 22 Jun 2022 08:12:31 GMT
ステータス: 処理完了
システム内更新日: 2022-06-23 14:44:30.535218
Title: S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving
Title（参考訳）: s2tnet: 自律走行時の軌道予測のための時空間変圧器ネットワーク
Authors: Weihuang Chen and Fangfang Wang and Hongbin Sun
Abstract要約: 本稿では,S時間変換器による時空間相互作用をモデル化し,時空間変換器によるテンポレルシーケンスを扱うS2TNetを提案する。この手法は、ApolloScape Trajectoryデータセットにおける最先端の手法を平均と最終変位誤差の重み付け和で7%以上上回る。
参考スコア（独自算出の注目度）: 7.862992905548721
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To safely and rationally participate in dense and heterogeneous traffic, autonomous vehicles require to sufficiently analyze the motion patterns of surrounding traffic-agents and accurately predict their future trajectories. This is challenging because the trajectories of traffic-agents are not only influenced by the traffic-agents themselves but also by spatial interaction with each other. Previous methods usually rely on the sequential step-by-step processing of Long Short-Term Memory networks (LSTMs) and merely extract the interactions between spatial neighbors for single type traffic-agents. We propose the Spatio-Temporal Transformer Networks (S2TNet), which models the spatio-temporal interactions by spatio-temporal Transformer and deals with the temporel sequences by temporal Transformer. We input additional category, shape and heading information into our networks to handle the heterogeneity of traffic-agents. The proposed methods outperforms state-of-the-art methods on ApolloScape Trajectory dataset by more than 7\% on both the weighted sum of Average and Final Displacement Error. Our code is available at https://github.com/chenghuang66/s2tnet.
Abstract（参考訳）: 密集した不均一な交通に安全かつ合理的に参加するには、自動運転車は周囲の交通エージェントの運動パターンを十分に分析し、将来の軌跡を正確に予測する必要がある。交通エージェントの軌道は、交通エージェント自体の影響だけでなく、相互の空間的相互作用にも影響されるため、これは難しい。従来の手法は通常、Long Short-Term Memory Network (LSTM) の逐次的なステップバイステップ処理に依存しており、単に単一タイプのトラフィックエージェントのための空間的隣人間の相互作用を抽出するだけである。時空間変圧器による時空間相互作用をモデル化し、時空間変圧器によるテンポレルシーケンスを扱う時空間変圧器ネットワーク(s2tnet)を提案する。我々は、トラフィックエージェントの不均一性を扱うために、新たなカテゴリ、形状、方向情報をネットワークに入力する。提案手法は, 平均変位誤差と最終変位誤差の重み付き和の両方において, アポロスケープ軌道データセットの最先端手法を72%以上上回っている。私たちのコードはhttps://github.com/chenghuang66/s2tnetで利用可能です。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [10.722455633629883]
本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
論文参考訳（メタデータ） (2023-10-12T13:44:35Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文参考訳（メタデータ） (2022-03-21T06:38:34Z)
Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文参考訳（メタデータ） (2021-09-11T09:04:35Z)
Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。注目重量行列を解析すれば道路網の影響力のある部分を見つけられる交通網をよりよく学べる
論文参考訳（メタデータ） (2021-04-12T02:29:58Z)
Spatial-Channel Transformer Network for Trajectory Prediction on the Traffic Scenes [2.7955111755177695]
本稿では,注意機能付き軌道予測のための空間チャネル変換器ネットワークを提案する。エージェント間の社会的相互作用を測定するために、チャネルワイズモジュールが挿入される。このネットワークは,交通現場における実世界の軌道予測データセットにおいて,有望な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-01-27T15:03:42Z)
End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
論文参考訳（メタデータ） (2020-08-13T14:30:12Z)
A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文参考訳（メタデータ） (2020-03-13T04:35:50Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。