論文の概要: Class-Aware Attention for Multimodal Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2209.00062v1
- Date: Wed, 31 Aug 2022 18:43:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:50:56.005615
- Title: Class-Aware Attention for Multimodal Trajectory Prediction
- Title（参考訳）: マルチモーダル軌道予測のためのクラスアウェアアテンション
- Authors: Bimsara Pathiraja, Shehan Munasinghe, Malshan Ranawella, Maleesha De
Silva, Ranga Rodrigo, Peshala Jayasekara
- Abstract要約: 自律運転における多モーダル軌道予測のための新しい枠組みを提案する。
我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
- 参考スコア（独自算出の注目度）: 0.7130302992490973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting the possible future trajectories of the surrounding dynamic agents
is an essential requirement in autonomous driving. These trajectories mainly
depend on the surrounding static environment, as well as the past movements of
those dynamic agents. Furthermore, the multimodal nature of agent intentions
makes the trajectory prediction problem more challenging. All of the existing
models consider the target agent as well as the surrounding agents similarly,
without considering the variation of physical properties. In this paper, we
present a novel deep-learning based framework for multimodal trajectory
prediction in autonomous driving, which considers the physical properties of
the target and surrounding vehicles such as the object class and their physical
dimensions through a weighted attention module, that improves the accuracy of
the predictions. Our model has achieved the highest results in the nuScenes
trajectory prediction benchmark, out of the models which use rasterized maps to
input environment information. Furthermore, our model is able to run in
real-time, achieving a high inference rate of over 300 FPS.
- Abstract（参考訳）: 周囲の動的エージェントの将来の軌道を予測することは、自動運転において不可欠な要件である。
これらの軌道は主に周囲の静的環境とそれらの動的エージェントの過去の動きに依存する。
さらに,エージェント意図のマルチモーダル性は軌道予測問題をより困難にする。
既存のモデルは全て、物理的性質の変化を考慮せずに、ターゲットエージェントと周辺エージェントを同様に考慮している。
本稿では,対象車種や対象車種などの周辺車両の物理的特性と,その物理寸法を重み付けアテンションモジュールを用いて考慮し,予測精度を向上させることを目的とした,自動運転におけるマルチモーダル軌道予測のための新しいディープラーニングフレームワークを提案する。
我々のモデルは, ラスタ化マップを用いた環境情報入力モデルのうち, nuScenesトラジェクトリ予測ベンチマークで最高の結果を得た。
さらに,本モデルはリアルタイムに動作可能であり,300FPSを超える高い推論速度を実現することができる。
関連論文リスト
- Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - 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) - Smooth-Trajectron++: Augmenting the Trajectron++ behaviour prediction
model with smooth attention [0.0]
本研究では,注目モジュールにスムーズな項を組み込んだトラジェクトリ予測モデルであるTrjectron++について検討する。
この注意機構は、注意切り替えの限界を示す認知科学の研究にインスパイアされた人間の注意を模倣する。
得られたSmooth-Trajectron++モデルの性能を評価し、様々なベンチマークで元のモデルと比較する。
論文 参考訳（メタデータ） (2023-05-31T09:19:55Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z) - Diverse and Admissible Trajectory Forecasting through Multimodal Context
Understanding [46.52703817997932]
自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。
マルチモーダル世界から複数の入力信号を合成するモデルを提案する。
従来の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-06T13:59:39Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z) - Trajectron++: Dynamically-Feasible Trajectory Forecasting With
Heterogeneous Data [37.176411554794214]
人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。
我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。
実世界の軌道予測データセットにおいて,その性能を実証する。
論文 参考訳（メタデータ） (2020-01-09T16:47:17Z)
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。