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
- 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) - MoNet: Motion-based Point Cloud Prediction Network [13.336278321863595]
3次元点雲は周囲環境の3次元情報を正確にモデル化する。
ポイントクラウドは秩序がなく、構造化されていないため、ポイントクラウドの予測は難しい。
そこで我々は,MoNetと呼ばれる新しい動きに基づくニューラルネットワークを提案し,点雲の予測を行う。
論文 参考訳(メタデータ) (2020-11-21T15:43:31Z) - Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。
制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。
提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
論文 参考訳(メタデータ) (2020-11-06T20:37:15Z) - 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) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3~7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3~7%向上した。
論文 参考訳(メタデータ) (2020-05-08T14:23:52Z) - 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。
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。