論文の概要: Aware of the History: Trajectory Forecasting with the Local Behavior Data

• arxiv url: http://arxiv.org/abs/2207.09646v1
• Date: Wed, 20 Jul 2022 04:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:22:23.306458
• Title: Aware of the History: Trajectory Forecasting with the Local Behavior Data
• Title（参考訳）: 歴史の認識:局所行動データを用いた軌道予測
• Authors: Yiqi Zhong, Zhenyang Ni, Siheng Chen, Ulrich Neumann
• Abstract要約: 局所行動データは、軌道予測システムのための新しいタイプの入力データである。 予測精度を向上させる新しい局所行動認識(LBA)予測フレームワークを提案する。 また,LBF(Local-behavior-free)予測フレームワークも採用しています。
• 参考スコア（独自算出の注目度）: 30.90992947135638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The historical trajectories previously passing through a location may help infer the future trajectory of an agent currently at this location. Despite great improvements in trajectory forecasting with the guidance of high-definition maps, only a few works have explored such local historical information. In this work, we re-introduce this information as a new type of input data for trajectory forecasting systems: the local behavior data, which we conceptualize as a collection of location-specific historical trajectories. Local behavior data helps the systems emphasize the prediction locality and better understand the impact of static map objects on moving agents. We propose a novel local-behavior-aware (LBA) prediction framework that improves forecasting accuracy by fusing information from observed trajectories, HD maps, and local behavior data. Also, where such historical data is insufficient or unavailable, we employ a local-behavior-free (LBF) prediction framework, which adopts a knowledge-distillation-based architecture to infer the impact of missing data. Extensive experiments demonstrate that upgrading existing methods with these two frameworks significantly improves their performances. Especially, the LBA framework boosts the SOTA methods' performance on the nuScenes dataset by at least 14% for the K=1 metrics.
• Abstract（参考訳）: 以前ある場所を通過した歴史的軌跡は、現在この場所にあるエージェントの将来の軌跡を推測するのに役立つかもしれない。 高精細度地図の指導により軌道予測が大幅に改善されているにもかかわらず、そのような地域の歴史情報を探究した作品はごくわずかである。 本研究では,この情報をトラジェクティブ予測システムのための新しいタイプの入力データとして再導入する。 ローカルな振る舞いデータは、システムが予測の局所性を強調し、静的マップオブジェクトが移動エージェントに与える影響をよりよく理解するのに役立つ。 本稿では,観測された軌跡,HDマップ,および局所行動データから情報を取り出すことにより,予測精度を向上させる新しい局所行動認識(LBA)予測フレームワークを提案する。 また,このような履歴データが不十分,あるいは使用不能である場合には,情報不足の影響を推察するために,知識蒸留ベースのアーキテクチャを採用するローカル・ビヘイビアフリー(lbf)予測フレームワークを採用する。 この2つのフレームワークで既存のメソッドをアップグレードすることで、パフォーマンスが大幅に向上する。 特に、LBAフレームワークは、K=1メトリクスに対して、nuScenesデータセット上のSOTAメソッドのパフォーマンスを少なくとも14%向上させる。

関連論文リスト

• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Localization Is All You Evaluate: Data Leakage in Online Mapping Datasets and How to Fix It [2.1665407462280446]
  State-of-the-artメソッドは主にnuScenesとArgoverse 2データセットを使用してトレーニングされている。 nuScenesの80ドル以上、Argoverse 2のバリデーションとテストサンプルの40ドル以上は、トレーニングサンプルから5ドル以下である。 本研究では,地理的に不連続なデータ分割を提案し,未知の環境における真の性能を明らかにする。
  論文  参考訳（メタデータ） (2023-12-11T14:43:23Z)
• PEANUT: Predicting and Navigating to Unseen Targets [18.87376347895365]
  新しい環境における効率的なObjectGoalナビゲーション(ObjectNav)は、環境レイアウトにおける空間的および意味的規則性を理解する必要がある。 不完全なセマンティックマップから観測対象の位置を予測し,これらの規則性を学習する手法を提案する。 我々の予測モデルは軽量であり、比較的少量の受動的収集データを用いて教師付きで訓練することができる。
  論文  参考訳（メタデータ） (2022-12-05T18:58:58Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Trajectory Test-Train Overlap in Next-Location Prediction Datasets [5.039138978031649]
  次の位置予測は、都市計画、ジオマーケティング、病気の普及など、いくつかの分野で重要な意味を持つ。 本稿では,これらの予測器の公共モビリティデータセット上での一般化能力を検証した。 本研究では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T08:39:45Z)
• Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
  Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。 事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。 我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-10-26T04:03:45Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing [12.518673970373422]
  データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。 我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。 本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
  論文  参考訳（メタデータ） (2020-03-08T01:51:56Z)

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。