論文の概要: MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge --
Motion Prediction
- arxiv url: http://arxiv.org/abs/2209.10033v1
- Date: Tue, 20 Sep 2022 23:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:17:45.786557
- Title: MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge --
Motion Prediction
- Title(参考訳): mtr-a: 2022 waymo open dataset challengeの1位ソリューション - モーション予測
- Authors: Shaoshuai Shi, Li Jiang, Dengxin Dai, Bernt Schiele
- Abstract要約: 本稿では,複数モーダル動作予測のための新しいモーショントランスフォーマーフレームワークを提案する。
非最大圧縮による単純なモデルアンサンブル戦略を採用し、最終的な性能をさらに向上させる。
当社のアプローチは,2022年のオープンデータセットチャレンジにおける行動予測のリーダーボード上での1位を達成し,他の手法よりも優れたマージンを達成している。
- 参考スコア(独自算出の注目度): 103.75625476231401
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this report, we present the 1st place solution for motion prediction track
in 2022 Waymo Open Dataset Challenges. We propose a novel Motion Transformer
framework for multimodal motion prediction, which introduces a small set of
novel motion query pairs for generating better multimodal future trajectories
by jointly performing the intention localization and iterative motion
refinement. A simple model ensemble strategy with non-maximum-suppression is
adopted to further boost the final performance. Our approach achieves the 1st
place on the motion prediction leaderboard of 2022 Waymo Open Dataset
Challenges, outperforming other methods with remarkable margins. Code will be
available at https://github.com/sshaoshuai/MTR.
- Abstract(参考訳): 本報告では,2022年のwaymo open dataset challengeにおいて,モーション予測トラックのための第1位解を提案する。
そこで本研究では,意図的局所化と反復的運動改善を共同で行うことで,より優れたマルチモーダル未来の軌道を生成するための,一連の新しい動作クエリペアを提案する。
非最大圧縮による単純なモデルアンサンブル戦略を採用し、最終的な性能をさらに向上させる。
当社のアプローチは,2022年のwaymo open dataset challengeのモーション予測リーダボードで,目立ったマージンを持つ他の手法を上回って,第1位を達成した。
コードはhttps://github.com/sshaoshuai/MTRで入手できる。
関連論文リスト
- SMART: Scalable Multi-agent Real-time Motion Generation via Next-token Prediction [4.318757942343036]
本稿では,ベクトル化された地図とエージェント軌跡データを離散的なシーケンストークンにモデル化する,新しい自律走行運動生成パラダイムを提案する。
これらのトークンはデコーダのみのトランスフォーマーアーキテクチャを通じて処理され、次のトークン予測タスクをトレーニングする。
複数のデータセットから10億以上のモーショントークンを収集し、モデルのスケーラビリティを検証しました。
論文 参考訳(メタデータ) (2024-05-24T16:17:35Z) - Motion Flow Matching for Human Motion Synthesis and Editing [75.13665467944314]
本研究では,効率的なサンプリングと効率性を備えた人体運動生成のための新しい生成モデルであるemphMotion Flow Matchingを提案する。
提案手法は, 従来の拡散モデルにおいて, サンプリングの複雑さを1000ステップから10ステップに減らし, テキスト・ツー・モーション・ジェネレーション・ベンチマークやアクション・ツー・モーション・ジェネレーション・ベンチマークで同等の性能を実現する。
論文 参考訳(メタデータ) (2023-12-14T12:57:35Z) - HumanMAC: Masked Motion Completion for Human Motion Prediction [62.279925754717674]
人間の動き予測はコンピュータビジョンとコンピュータグラフィックスの古典的な問題である。
従来の効果はエンコーディング・デコード方式に基づく経験的性能を実現している。
本稿では,新しい視点から新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-02-07T18:34:59Z) - 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) - Golfer: Trajectory Prediction with Masked Goal Conditioning MnM Network [16.393675040056397]
AV軌道予測のための新しいマスク付き目標条件付きトレーニング手順を備えたトランスフォーマー型アーキテクチャモジュールMnMネットワークを提案する。
ゴルファーと名付けられたこのモデルは、2022年のオープンモーション予測チャレンジで2位を獲得し、minADEで1位にランクインした。
論文 参考訳(メタデータ) (2022-07-02T04:57:44Z) - MotionCNN: A Strong Baseline for Motion Prediction in Autonomous Driving [6.10183951877597]
畳み込みニューラルネットワークに基づくマルチモーダル動作予測のための,単純かつ非常に強力なベースラインを提案する。
ソースコードはGitHubで公開されています。
論文 参考訳(メタデータ) (2022-06-05T12:31:58Z) - 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) - Multimodal Motion Prediction with Stacked Transformers [35.9674180611893]
我々はmmTransformerと呼ばれるマルチモーダル動作予測のための新しいトランスフォーマーフレームワークを提案する。
スタックドトランスフォーマーに基づく新しいネットワークアーキテクチャは、固定された独立した提案のセットで機能レベルでマルチモダリティをモデル化するように設計されている。
次に、生成した提案のマルチモーダリティを誘導するために、地域ベースのトレーニング戦略を開発する。
論文 参考訳(メタデータ) (2021-03-22T07:25:54Z) - 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。