論文の概要: Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting

• arxiv url: http://arxiv.org/abs/2207.05195v1
• Date: Mon, 11 Jul 2022 21:17:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:28:36.538277
• Title: Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting
• Title（参考訳）: マルチエージェントマルチモーダル軌道予測に対する協調的不確実性
• Authors: Bohan Tang, Yiqi Zhong, Chenxin Xu, Wei-Tao Wu, Ulrich Neumann, Yanfeng Wang, Ya Zhang, and Siheng Chen
• Abstract要約: この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
• 参考スコア（独自算出の注目度）: 39.73793468422024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-modal multi-agent trajectory forecasting, two major challenges have not been fully tackled: 1) how to measure the uncertainty brought by the interaction module that causes correlations among the predicted trajectories of multiple agents; 2) how to rank the multiple predictions and select the optimal predicted trajectory. In order to handle these challenges, this work first proposes a novel concept, collaborative uncertainty (CU), which models the uncertainty resulting from interaction modules. Then we build a general CU-aware regression framework with an original permutation-equivariant uncertainty estimator to do both tasks of regression and uncertainty estimation. Further, we apply the proposed framework to current SOTA multi-agent multi-modal forecasting systems as a plugin module, which enables the SOTA systems to 1) estimate the uncertainty in the multi-agent multi-modal trajectory forecasting task; 2) rank the multiple predictions and select the optimal one based on the estimated uncertainty. We conduct extensive experiments on a synthetic dataset and two public large-scale multi-agent trajectory forecasting benchmarks. Experiments show that: 1) on the synthetic dataset, the CU-aware regression framework allows the model to appropriately approximate the ground-truth Laplace distribution; 2) on the multi-agent trajectory forecasting benchmarks, the CU-aware regression framework steadily helps SOTA systems improve their performances. Specially, the proposed framework helps VectorNet improve by 262 cm regarding the Final Displacement Error of the chosen optimal prediction on the nuScenes dataset; 3) for multi-agent multi-modal trajectory forecasting systems, prediction uncertainty is positively correlated with future stochasticity; and 4) the estimated CU values are highly related to the interactive information among agents.
• Abstract（参考訳）: マルチモーダルマルチエージェント軌道予測では,2つの大きな課題が解決されていない。 1) 複数のエージェントの予測軌跡間に相関を引き起こす相互作用モジュールによる不確実性を測定する方法 2)複数の予測をランク付けし,最適な予測軌道を選択する方法。 これらの課題に対処するために、本研究は、インタラクションモジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(cu)を提案する。 次に,従来の変分等変量不確かさ推定器を用いて,回帰処理と不確かさ推定の両方を行う汎用のCU対応回帰フレームワークを構築した。 さらに,提案フレームワークをプラグインモジュールとして,現在のSOTAマルチエージェントマルチモーダル予測システムに適用し,SOTAシステムを実現する。 1) マルチエージェントマルチモーダル軌道予測タスクにおける不確実性の推定 2)複数の予測をランク付けし,推定不確実性に基づいて最適な予測を選択する。 人工データセットと2つの大規模マルチエージェント軌道予測ベンチマークについて広範な実験を行った。 実験によると 1) 合成データセット上では, CU対応回帰フレームワークにより, モデルがグランドトルースラプラス分布を適切に近似することができる。 2)マルチエージェント軌道予測ベンチマークでは,CU対応回帰フレームワークがSOTAシステムの性能向上に役立っている。 特に,提案手法は,nuscenesデータセット上で選択された最適予測の最終変位誤差について,ベクターネットを262cm改善するのに役立つ。 3)マルチエージェントマルチモーダル軌道予測システムでは,予測の不確実性は将来の確率と正の相関がある。 4) 推定CU値はエージェント間の対話情報と強く関連している。

関連論文リスト

• QCNeXt: A Next-Generation Framework For Joint Multi-Agent Trajectory Prediction [5.312631388611489]
  路上エージェントの将来の軌跡の同時分布を推定することは自動運転に不可欠である。 本稿では,QCNeXtと呼ばれるマルチエージェント軌道予測のための次世代フレームワークを提案する。 提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで1位である。
  論文  参考訳（メタデータ） (2023-06-18T09:40:40Z)
• 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)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Collaborative Uncertainty in Multi-Agent Trajectory Forecasting [35.013892666040846]
  本稿では,対話モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、将来の軌跡とそれに対応する不確実性を学ぶための予測モデルを構築するための一般的なCUベースのフレームワークを構築した。 いずれの場合も、2つの合成データセットと2つの大規模軌跡予測ベンチマークについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-26T18:27:22Z)
• THOMAS: Trajectory Heatmap Output with learned Multi-Agent Sampling [2.424910201171407]
  本稿では,高速かつ同時エージェントによる将来のヒートマップ推定のための統一モデルアーキテクチャを提案する。 シーン一貫性のある予測を生成することは、衝突のない軌道の単なる世代を越えている。 我々は、Interaction Multi-agent Prediction Challengeについて報告し、オンラインテストリーダーボードで1st$をランク付けした。
  論文  参考訳（メタデータ） (2021-10-13T10:05:47Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。