Fugu-MT 論文翻訳(概要): GANet: Goal Area Network for Motion Forecasting

論文の概要: GANet: Goal Area Network for Motion Forecasting

arxiv url: http://arxiv.org/abs/2209.09723v1
Date: Tue, 20 Sep 2022 13:54:12 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 18:46:18.085905
Title: GANet: Goal Area Network for Motion Forecasting
Title（参考訳）: GANet:動き予測のためのゴールエリアネットワーク
Authors: Mingkun Wang, Xinge Zhu, Changqian Yu, Wei Li, Yuexin Ma, Ruochun Jin, Xiaoguang Ren, Dongchun Ren, Mingxu Wang, Wenjing Yang
Abstract要約: 動き予測のための新たな目標領域ベースフレームワークであるGoal Area Network(GANet)を提案する。 GANetはすべての公開文学の中で、Argoverse Challengeのリーダーボードで第1位にランクインしている。
参考スコア（独自算出の注目度）: 20.38127609086616
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Predicting the future motion of road participants is crucial for autonomous driving but is extremely challenging due to staggering motion uncertainty. Recently, most motion forecasting methods resort to the goal-based strategy, i.e., predicting endpoints of motion trajectories as conditions to regress the entire trajectories, so that the search space of solution can be reduced. However, accurate goal coordinates are hard to predict and evaluate. In addition, the point representation of the destination limits the utilization of a rich road context, leading to inaccurate prediction results in many cases. Goal area, i.e., the possible destination area, rather than goal coordinate, could provide a more soft constraint for searching potential trajectories by involving more tolerance and guidance. In view of this, we propose a new goal area-based framework, named Goal Area Network (GANet), for motion forecasting, which models goal areas rather than exact goal coordinates as preconditions for trajectory prediction, performing more robustly and accurately. Specifically, we propose a GoICrop (Goal Area of Interest) operator to effectively extract semantic lane features in goal areas and model actors' future interactions, which benefits a lot for future trajectory estimations. GANet ranks the 1st on the leaderboard of Argoverse Challenge among all public literature (till the paper submission), and its source codes will be released.
Abstract（参考訳）: 道路参加者の将来の動きを予測することは自動運転に不可欠であるが、停滞する動きの不確実性のために非常に困難である。近年,動き予測手法のほとんどがゴールベースの戦略、すなわち動き軌道の終端を全体軌道を後退させる条件として予測することで,解の探索空間を縮小できる。しかし、正確なゴール座標は予測と評価が難しい。さらに、目的地のポイント表現は、豊かな道路コンテキストの利用を制限するため、多くの場合、不正確な予測結果をもたらす。ゴール領域、すなわちゴール座標ではなく目的地領域は、より寛容さとガイダンスを伴って潜在的な軌道を探すためのよりソフトな制約を与えることができる。そこで我々は,軌道予測の前提条件として,正確な目標座標ではなく,目標領域をモデル化し,より堅牢かつ正確に動作させる,動き予測用ゴールエリアネットワーク(GANet)を提案する。具体的には,ゴール領域における意味的レーン特徴を効果的に抽出し,モデルアクターの将来の相互作用をモデル化するgoicrop(goal area of interest)オペレータを提案する。 GANetは、Argoverse Challengeのリーダーボードで、すべての公開文学の中で第1位にランクインしている(論文の提出まで)。

関連論文リスト

GoalNet: Goal Areas Oriented Pedestrian Trajectory Prediction [1.9253333342733674]
歩行者の目標領域に基づく新しい軌道予測ニューラルネットワークを提案する。 GoalNetは、従来の最先端のパフォーマンスをJAADで48.7%、PIEデータセットで40.8%改善した。
論文参考訳（メタデータ） (2024-02-29T09:53:19Z)
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)
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)
Transformer based trajectory prediction [71.31516599226606]
我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
論文参考訳（メタデータ） (2021-12-08T16:00:14Z)
DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。 DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
論文参考訳（メタデータ） (2021-08-22T05:27:35Z)
DenseTNT: Waymo Open Dataset Motion Prediction Challenge 1st Place Solution [14.783327438913025]
自律運転では、ゴールベースの多軌道予測手法が最近有効であることが証明され、まず最初にゴール候補を決め、次に最終目標を選択し、最後に選択した目標に基づいて軌道を完了させる。本研究では,軌道予測のための高密度目標確率推定を行うアンカーフリーモデルDenseTNTを提案する。
論文参考訳（メタデータ） (2021-06-27T07:21:29Z)
Object Tracking Using Spatio-Temporal Future Prediction [41.33609264685531]
本研究では,背景動きのモデル化と軌跡予測を考慮した学習に基づく追跡手法を提案する。我々の軌道予測モジュールは、対象物体の過去の軌道に基づいて、現在および将来のフレームにおける対象物体の位置を予測する。外観に基づくトラッカーと軌道予測を動的に切り替えるために,トラッキング予測の精度を評価するネットワークを用いる。
論文参考訳（メタデータ） (2020-10-15T09:02:50Z)
Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position Estimation [1.20855096102517]
本稿では,人間の軌道予測のための解釈可能な,エンドツーエンドのトレーニング可能なモデルであるGoal-GANを提案する。人間のナビゲーションにヒントを得て、軌道予測のタスクを直感的な2段階のプロセスとしてモデル化する。
論文参考訳（メタデータ） (2020-10-02T17:17:45Z)
Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-23T17:58:56Z)
The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。本稿では,構造的事前を損失関数として組み込むことを提案する。実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。