論文の概要: ProspectNet: Weighted Conditional Attention for Future Interaction Modeling in Behavior Prediction

• arxiv url: http://arxiv.org/abs/2208.13848v1
• Date: Mon, 29 Aug 2022 19:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:18:51.691463
• Title: ProspectNet: Weighted Conditional Attention for Future Interaction Modeling in Behavior Prediction
• Title（参考訳）: prospectnet: 行動予測におけるインタラクションモデリングのための重み付き条件付注意
• Authors: Yutian Pang, Zehua Guo, Binnan Zhuang
• Abstract要約: 本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。 本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。 ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 5.520507323174275
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Behavior prediction plays an important role in integrated autonomous driving software solutions. In behavior prediction research, interactive behavior prediction is a less-explored area, compared to single-agent behavior prediction. Predicting the motion of interactive agents requires initiating novel mechanisms to capture the joint behaviors of the interactive pairs. In this work, we formulate the end-to-end joint prediction problem as a sequential learning process of marginal learning and joint learning of vehicle behaviors. We propose ProspectNet, a joint learning block that adopts the weighted attention score to model the mutual influence between interactive agent pairs. The joint learning block first weighs the multi-modal predicted candidate trajectories, then updates the ego-agent's embedding via cross attention. Furthermore, we broadcast the individual future predictions for each interactive agent into a pair-wise scoring module to select the top $K$ prediction pairs. We show that ProspectNet outperforms the Cartesian product of two marginal predictions, and achieves comparable performance on the Waymo Interactive Motion Prediction benchmarks.
• Abstract（参考訳）: 行動予測は、統合型自動運転ソフトウェアソリューションにおいて重要な役割を果たす。 行動予測研究において、対話的行動予測は単一エージェントの行動予測に比べて探索の少ない領域である。 対話型エージェントの動作を予測するには、対話型ペアの関節動作を捉える新しいメカニズムを起動する必要がある。 本研究では,車両行動の辺縁学習と連立学習の逐次学習プロセスとして,エンドツーエンドの連立予測問題を定式化する。 本研究では,対話エージェントペア間の相互影響をモデル化するために,重み付け注意スコアを用いた共同学習ブロックprospectnetを提案する。 共同学習ブロックは、まずマルチモーダル予測された候補軌道を重み付け、その後、横断的な注意を通してエゴエージェントの埋め込みを更新する。 さらに、各対話エージェントの個々の将来予測をペアのスコアリングモジュールにブロードキャストし、上位の$K$予測ペアを選択する。 ProspectNetは2つの限界予測でCartesian製品より優れており、Waymo Interactive Motion Predictionベンチマークで同等のパフォーマンスを実現している。

関連論文リスト

• Human Action Anticipation: A Survey [86.415721659234]
  行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。 我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
  論文  参考訳（メタデータ） (2024-10-17T21:37:40Z)
• SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.286256266868156]
  トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。 エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。 また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:43:40Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• FFINet: Future Feedback Interaction Network for Motion Forecasting [46.247396728154904]
  本稿では、軌道予測のための現在の観測と潜在的な未来の相互作用を集約する、新しいFuture Feedback Interaction Network(FFINet)を提案する。 我々のFFINetはArgoverse 1とArgoverse 2の動作予測ベンチマークの最先端性能を実現している。
  論文  参考訳（メタデータ） (2023-11-08T07:57:29Z)
• Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation [10.190939530193502]
  2つの相互作用エージェントのシーン準拠トラジェクトリを共同生成するための条件目標指向軌道予測(CGTP)フレームワーク。 コンテキストエンコーディング、ゴールインタラクティブ予測、軌道インタラクティブ予測の3つの主要なステージ。 対話エージェント間の協調確率分布をよりよく学習するために,新たな目標対話型損失法を開発した。
  論文  参考訳（メタデータ） (2022-10-19T15:14:46Z)
• M2I: From Factored Marginal Trajectory Prediction to Interactive Prediction [26.49897317427192]
  既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。 本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。 提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
  論文  参考訳（メタデータ） (2022-02-24T03:28:26Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• Pedestrian Behavior Prediction via Multitask Learning and Categorical Interaction Modeling [13.936894582450734]
  マルチモーダルデータに頼って歩行者の軌跡や行動を同時に予測するマルチタスク学習フレームワークを提案する。 本モデルでは, トラジェクティブと動作予測を最大22%, 6%向上させる。
  論文  参考訳（メタデータ） (2020-12-06T15:57:11Z)

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。