Fugu-MT 論文翻訳(概要): QML for Argoverse 2 Motion Forecasting Challenge

論文の概要: QML for Argoverse 2 Motion Forecasting Challenge

arxiv url: http://arxiv.org/abs/2207.06553v1
Date: Wed, 13 Jul 2022 23:25:30 GMT
ステータス: 処理完了
システム内更新日: 2022-07-15 14:58:49.791870
Title: QML for Argoverse 2 Motion Forecasting Challenge
Title（参考訳）: アーゴバースのためのqml 第2回モーション予測課題
Authors: Tong Su, Xishun Wang, Xiaodong Yang
Abstract要約: 本稿では,Argoverse 2 Motion Forecasting Challenge 2022の3位にランクインした,効果的で効率的なソリューションを提案する。実世界のオンボードアプリケーションでは、モーション予測モデルの正確性とレイテンシが不可欠である。
参考スコア（独自算出の注目度）: 7.785370190832619
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To safely navigate in various complex traffic scenarios, autonomous driving systems are generally equipped with a motion forecasting module to provide vital information for the downstream planning module. For the real-world onboard applications, both accuracy and latency of a motion forecasting model are essential. In this report, we present an effective and efficient solution, which ranks the 3rd place in the Argoverse 2 Motion Forecasting Challenge 2022.
Abstract（参考訳）: 様々な複雑な交通シナリオを安全にナビゲートするために、自律運転システムは一般に、下流計画モジュールに不可欠な情報を提供するモーション予測モジュールを備えている。実世界のオンボードアプリケーションでは、モーション予測モデルの正確性とレイテンシが不可欠である。本稿では,Argoverse 2 Motion Forecasting Challenge 2022の3位にランクインした,効果的で効率的なソリューションを提案する。

関連論文リスト

Motion Forecasting in Continuous Driving [41.6423398623095]
自動運転では、自動運転車が動くと、動きの予測が繰り返し繰り返される。既存の予測方法は、特定の範囲内で各走行シーンを独立に処理する。本稿では,連続運転のための新しい動き予測フレームワークであるRealMotionを提案する。
論文参考訳（メタデータ） (2024-10-08T13:04:57Z)
DeMo: Decoupling Motion Forecasting into Directional Intentions and Dynamic States [6.856351850183536]
マルチモーダルなトラジェクトリクエリを2つのタイプに分離するフレームワークであるDeMoを紹介する。この形式を利用することで、軌道の多モード性と動的進化特性を別々に最適化する。さらに,グローバルな情報集約と状態シーケンスモデリングのためのアテンションとマンバの併用手法についても紹介する。
論文参考訳（メタデータ） (2024-10-08T12:27:49Z)
CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model [32.45713037210818]
我々はCriss-Crossed Dual-Stream Enhanced Rectified Transformer Model (CCDSReFormer)を紹介する。 ReSSA(Enhanced Rectified Spatial Self-attention)、ReDASA(Enhanced Rectified Delay Aware Self-attention)、ReTSA(Enhanced Rectified Temporal Self-attention)の3つの革新的なモジュールが含まれている。これらのモジュールは、疎注意による計算ニーズの低減、トラフィックダイナミクスの理解向上のためのローカル情報への注力、ユニークな学習手法による空間的および時間的洞察の融合を目的としている。
論文参考訳（メタデータ） (2024-03-26T14:43:57Z)
WATonoBus: Field-Tested All-Weather Autonomous Shuttle Technology [8.815412946998475]
全天候の自動運転車の運用は、知覚や意思決定から経路計画や制御までモジュールを包含する、重大な課題を生んでいる。認識レベルを越えた悪天候を考慮したマルチモジュール・モジュールシステムアーキテクチャを提案する。提案手法は,悪天候に対処し,手術中に観測されたエッジケースから貴重な知見を提供する。
論文参考訳（メタデータ） (2023-12-01T21:36:14Z)
Collision Avoidance Detour for Multi-Agent Trajectory Forecasting [8.680676599607123]
2023年のオープンデータセットチャレンジ - Sim Agentsで3位を獲得したCollision Avoidance Detour(CAD)を紹介します。動作予測因子化の要件を満たすため,有効な対象を,自律走行車(ADV),ワールドトラック・トゥ・予測,ワールドトラックの3つの排他的セットに分割する。
論文参考訳（メタデータ） (2023-06-20T16:05:24Z)
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)
Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2022-09-27T16:23:14Z)
Large Scale Interactive Motion Forecasting for Autonomous Driving : The Waymo Open Motion Dataset [84.3946567650148]
10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
論文参考訳（メタデータ） (2021-04-20T17:19:05Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文参考訳（メタデータ） (2020-10-23T18:07:48Z)
Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
論文参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。