論文の概要: Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory
Forecasting
- arxiv url: http://arxiv.org/abs/2207.04624v1
- Date: Mon, 11 Jul 2022 04:52:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 14:56:23.701761
- Title: Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory
Forecasting
- Title(参考訳): マルチモーダル車両軌道予測のための階層的潜在構造
- Authors: Dooseop Choi, KyoungWook Min
- Abstract要約: VAEに基づく軌道予測モデルに階層的潜在構造を導入する。
本モデルでは,複数モーダルな軌道分布を明瞭に生成し,予測精度で最先端(SOTA)モデルより優れる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Variational autoencoder (VAE) has widely been utilized for modeling data
distributions because it is theoretically elegant, easy to train, and has nice
manifold representations. However, when applied to image reconstruction and
synthesis tasks, VAE shows the limitation that the generated sample tends to be
blurry. We observe that a similar problem, in which the generated trajectory is
located between adjacent lanes, often arises in VAE-based trajectory
forecasting models. To mitigate this problem, we introduce a hierarchical
latent structure into the VAE-based forecasting model. Based on the assumption
that the trajectory distribution can be approximated as a mixture of simple
distributions (or modes), the low-level latent variable is employed to model
each mode of the mixture and the high-level latent variable is employed to
represent the weights for the modes. To model each mode accurately, we
condition the low-level latent variable using two lane-level context vectors
computed in novel ways, one corresponds to vehicle-lane interaction and the
other to vehicle-vehicle interaction. The context vectors are also used to
model the weights via the proposed mode selection network. To evaluate our
forecasting model, we use two large-scale real-world datasets. Experimental
results show that our model is not only capable of generating clear multi-modal
trajectory distributions but also outperforms the state-of-the-art (SOTA)
models in terms of prediction accuracy. Our code is available at
https://github.com/d1024choi/HLSTrajForecast.
- Abstract(参考訳): 変分オートエンコーダ (VAE) は理論上エレガントで、訓練が容易で、多様体表現がよいため、データ分布のモデル化に広く利用されている。
しかし、画像再構成や合成タスクに適用すると、vaeは生成されたサンプルがぼやけやすいという制限を示す。
生成した軌道が隣接する車線の間に位置する同様の問題は、VAEに基づく軌道予測モデルでしばしば発生する。
この問題を軽減するため,vaeに基づく予測モデルに階層的潜在構造を導入する。
軌跡分布を単純な分布(またはモード)の混合として近似できるという仮定に基づき、低レベル潜在変数を用いて混合のそれぞれのモードをモデル化し、高レベル潜在変数を用いてモードの重みを表現する。
各モードを正確にモデル化するために,新しい方法で計算された2つの車線レベルコンテキストベクトルを用いて低レベル潜在変数を条件とし,一方は車線間相互作用に対応し,もう一方は車線間相互作用に対応する。
コンテキストベクトルは、提案されたモード選択ネットワークを介して重み付けをモデル化するためにも用いられる。
予測モデルを評価するために、2つの大規模な実世界のデータセットを使用する。
実験結果から,本モデルでは,鮮明なマルチモーダル軌道分布を生成できるだけでなく,予測精度において最先端(SOTA)モデルよりも優れていることが示された。
私たちのコードはhttps://github.com/d1024choi/hlstrajforecastで利用可能です。
関連論文リスト
- Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳(メタデータ) (2024-02-19T15:48:55Z) - MotionDiffuser: Controllable Multi-Agent Motion Prediction using
Diffusion [15.146808801331774]
MotionDiffuserは、複数のエージェント上での将来の軌跡の連成分布の拡散に基づく表現である。
そこで本稿では,コスト関数の相違に基づくトラジェクトリサンプリングを可能にする汎用的な制約付きサンプリングフレームワークを提案する。
我々は,Open Motionデータセット上でのマルチエージェント動作予測の最先端結果を得る。
論文 参考訳(メタデータ) (2023-06-05T17:55:52Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に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) (2023-04-03T13:13:19Z) - Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。
また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
論文 参考訳(メタデータ) (2021-02-08T20:08:50Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。
DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
論文 参考訳(メタデータ) (2020-11-30T18:23:29Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z) - Variational Mixture of Normalizing Flows [0.0]
生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。
正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。
本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
論文 参考訳(メタデータ) (2020-09-01T17:20:08Z) - Variational Filtering with Copula Models for SLAM [5.242618356321224]
より広い分布のクラスと同時局所化とマッピング(SLAM)を同時に行うことができるかを示す。
分布モデルとコプラを逐次モンテカルロ推定器に統合し、勾配に基づく最適化によって未知のモデルパラメータがいかに学習できるかを示す。
論文 参考訳(メタデータ) (2020-08-02T15:38:23Z) - Probabilistic Optimal Transport based on Collective Graphical Models [38.49457447599772]
OT(Optimal Transport)は確率分布とヒストグラムの類似性を測定する強力なツールである。
本稿では,OTを確率的生成モデルの最大後部解(MAP)とみなす新しい枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-16T02:03:34Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳(メタデータ) (2019-10-12T22:07:15Z)
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。