Fugu-MT 論文翻訳(概要): VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction

論文の概要: VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction

arxiv url: http://arxiv.org/abs/2208.04530v1
Date: Tue, 9 Aug 2022 03:49:04 GMT
ステータス: 処理完了
システム内更新日: 2022-08-10 12:21:46.169979
Title: VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction
Title（参考訳）: vectorflow: トラフィック占有とフロー予測のための画像とベクトルの組み合わせ
Authors: Xin Huang, Xiaoyu Tian, Junru Gu, Qiao Sun, Hang Zhao
Abstract要約: 本稿では, 正確な占有率と流量予測を実現するために, 新規な占有流量予測器を提案する。我々のモデルは,オープンデータセットの占有率とフロー予測チャレンジで3位にランクされ,閉鎖された占有率とフロー予測タスクにおいて最高のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 18.277777620073685
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Predicting future behaviors of road agents is a key task in autonomous driving. While existing models have demonstrated great success in predicting marginal agent future behaviors, it remains a challenge to efficiently predict consistent joint behaviors of multiple agents. Recently, the occupancy flow fields representation was proposed to represent joint future states of road agents through a combination of occupancy grid and flow, which supports efficient and consistent joint predictions. In this work, we propose a novel occupancy flow fields predictor to produce accurate occupancy and flow predictions, by combining the power of an image encoder that learns features from a rasterized traffic image and a vector encoder that captures information of continuous agent trajectories and map states. The two encoded features are fused by multiple attention modules before generating final predictions. Our simple but effective model ranks 3rd place on the Waymo Open Dataset Occupancy and Flow Prediction Challenge, and achieves the best performance in the occluded occupancy and flow prediction task.
Abstract（参考訳）: 道路エージェントの将来の行動を予測することは、自動運転における重要な課題である。既存のモデルでは, マージンエージェントの将来行動予測に大きな成功を収めているが, 複数のエージェントの一貫性のある共同動作を効率的に予測することは課題である。近年,効率良く一貫した共同予測を支援する占有グリッドとフローの組み合わせにより,道路エージェントの協調状態を表現するために占有フローフィールド表現が提案されている。本研究では,ラスタライズドトラヒック画像から特徴を学習する画像エンコーダと,連続エージェント軌跡と地図状態の情報をキャプチャするベクトルエンコーダのパワーを組み合わせることにより,正確な占有率とフロー予測を実現する新しい占有率フローフィールド予測器を提案する。 2つの符号化された機能は、最終的な予測を生成する前に複数の注意モジュールによって融合される。我々の単純だが効果的なモデルはWaymo Open Dataset Occupancy and Flow Prediction Challengeで3位にランクインし、閉鎖された占有とフロー予測タスクで最高のパフォーマンスを達成する。

関連論文リスト

Multi-Agent Trajectory Prediction with Difficulty-Guided Feature Enhancement Network [1.5888246742280365]
軌道予測は、交通参加者の将来の動きを予測することを目的として、自動運転に不可欠である。伝統的な方法は通常、エージェントの軌道に関する全体論的推論を行い、エージェント間の難易度の違いを無視する。本稿では,エージェント間の予測難易度差を利用した,DGFNet(DifficultyGuided Feature Enhancement)を提案する。
論文参考訳（メタデータ） (2024-07-26T07:04:30Z)
FutureNet-LOF: Joint Trajectory Prediction and Lane Occupancy Field Prediction with Future Context Encoding [10.188379670636092]
本稿では,最初に予測された軌道を将来のシナリオに明示的に統合するFutureNetを提案する。また、自律走行における動き予測のための車線意味論を用いた新しい表現である車線占有場(LOF)を提案する。提案手法は,Argoverse 1 と Argoverse 2 の2つの大規模動き予測ベンチマークにおいて第1位である。
論文参考訳（メタデータ） (2024-06-20T15:41:53Z)
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)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Occupancy Flow Fields for Motion Forecasting in Autonomous Driving [36.64394937525725]
複数のエージェントの動作予測のための新しい表現であるOccupancy Flow Fieldsを提案する。我々の表現は、各格子セルが任意のエージェントによって占有されているセルの確率等級と、そのセルの運動方向を表す2次元フローベクトルの両方を含む時間格子である。我々は、大規模な社内自動運転データセットとInterACTIONデータセットの実験結果について報告し、我々のモデルが最先端のモデルより優れていることを示す。
論文参考訳（メタデータ） (2022-03-08T06:26:50Z)
LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。 LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文参考訳（メタデータ） (2021-04-01T04:33:36Z)
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)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文参考訳（メタデータ） (2020-06-15T10:00:07Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。