論文の概要: Stochastic Future Prediction in Real World Driving Scenarios
- arxiv url: http://arxiv.org/abs/2209.10693v1
- Date: Wed, 21 Sep 2022 22:34:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 12:49:05.168197
- Title: Stochastic Future Prediction in Real World Driving Scenarios
- Title(参考訳): 現実の運転シナリオにおける確率的未来予測
- Authors: Adil Kaan Akan
- Abstract要約: 将来予測法は、堅牢である可能性全体を網羅するべきである。
自動運転では、予測部分の複数のモードをカバーすることが、安全クリティカルな決定を下す上で極めて重要である。
本研究では,動きを明示的にモデル化し,時間的ダイナミクスを潜時空間で学習する手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty plays a key role in future prediction. The future is uncertain.
That means there might be many possible futures. A future prediction method
should cover the whole possibilities to be robust. In autonomous driving,
covering multiple modes in the prediction part is crucially important to make
safety-critical decisions. Although computer vision systems have advanced
tremendously in recent years, future prediction remains difficult today.
Several examples are uncertainty of the future, the requirement of full scene
understanding, and the noisy outputs space. In this thesis, we propose
solutions to these challenges by modeling the motion explicitly in a stochastic
way and learning the temporal dynamics in a latent space.
- Abstract(参考訳): 不確実性は将来の予測において重要な役割を果たす。
未来は定かではない。
つまり、多くの将来性があるかもしれない。
将来予測法は、堅牢である可能性全体を網羅するべきである。
自動運転では、予測部分の複数のモードをカバーすることが、安全クリティカルな決定を行う上で極めて重要である。
近年,コンピュータビジョンシステムは非常に進歩しているが,将来予測はいまだに困難である。
いくつか例は、未来の不確実性、全シーン理解の必要性、ノイズ出力空間である。
本稿では,運動を確率的方法で明示的にモデル化し,時間的ダイナミクスを潜時空間で学習することにより,これらの課題に対する解決策を提案する。
関連論文リスト
- Existence Is Chaos: Enhancing 3D Human Motion Prediction with Uncertainty Consideration [27.28184416632815]
トレーニングデータにおける記録された動きは、所定の結果ではなく、将来の可能性の観測である可能性が示唆された。
不確実性を考慮した計算効率の良いエンコーダデコーダモデルを提案する。
論文 参考訳(メタデータ) (2024-03-21T03:34:18Z) - Learning Future Object Prediction with a Spatiotemporal Detection
Transformer [1.1543275835002982]
我々は、未来のオブジェクトを直接出力するように検出変換器を訓練する。
既存のトランスフォーマーを2つの方法で拡張し、シーンダイナミクスをキャプチャします。
我々の最終アプローチは、力学を捉えることを学び、100ミリ秒の予測地平線をオラクルと同等に予測する。
論文 参考訳(メタデータ) (2022-04-21T17:58:36Z) - A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。
人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。
本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
論文 参考訳(メタデータ) (2022-04-02T21:50:45Z) - StretchBEV: Stretching Future Instance Prediction Spatially and
Temporally [0.0]
自動運転車では、車を取り巻くすべてのエージェントの位置と動きから未来を予測することが、計画にとって重要な要件である。
近年,複数のカメラから知覚されるリッチな感覚情報を小型の鳥眼ビュー表現に融合させて予測を行うことにより,知覚と予測の新たな共同定式化が進んでいる。
しかし、将来の予測の質は、複数の妥当な予測のために、より長い時間的地平線に拡張しながら、時間とともに劣化する。
本研究では,将来の予測におけるこのような不確実性に時間的モデルを用いて対処する。
論文 参考訳(メタデータ) (2022-03-25T13:28:44Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Policy Gradients Incorporating the Future [66.20567145291342]
我々はエージェントが明示的に予測することなく「未来を見る」方法を紹介した。
我々は,エージェントが過去の経験を学習中に,その将来に何が起こったのかを観察できるように提案する。
これにより、エージェントは、現在に加えて、将来の軌道力学に関するリッチで有用な情報を利用することができる。
論文 参考訳(メタデータ) (2021-08-04T14:57:11Z) - LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。
本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
論文 参考訳(メタデータ) (2021-01-16T23:19:22Z) - Long Term Motion Prediction Using Keyposes [122.22758311506588]
長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。
このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。
このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
論文 参考訳(メタデータ) (2020-12-08T20:45:51Z) - Multimodal semantic forecasting based on conditional generation of
future features [0.0]
本稿では,道路走行シーンにおける意味予測について考察する。
既存のほとんどのアプローチでは、この問題を将来の特徴の決定論的回帰や、観測されたフレームの将来の予測として扱う。
本稿では,観測フレーム上に条件付きマルチモーダル生成モデルのサンプリングとして,マルチモーダル予測を定式化する。
論文 参考訳(メタデータ) (2020-10-18T18:59:52Z) - 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) - Probabilistic Future Prediction for Video Scene Understanding [11.236856606065514]
本稿では,ビデオからの確率論的未来予測のための新しいディープラーニングアーキテクチャを提案する。
我々は、未来の意味論、複雑な現実世界の都市シーンの動きを予測し、この表現を使って自動運転車を制御する。
論文 参考訳(メタデータ) (2020-03-13T17:48:21Z)
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。