論文の概要: Expanding the Deployment Envelope of Behavior Prediction via Adaptive Meta-Learning

• arxiv url: http://arxiv.org/abs/2209.11820v1
• Date: Fri, 23 Sep 2022 19:23:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 15:30:52.784384
• Title: Expanding the Deployment Envelope of Behavior Prediction via Adaptive Meta-Learning
• Title（参考訳）: 適応メタ学習による行動予測の展開範囲の拡大
• Authors: Boris Ivanovic, James Harrison, Marco Pavone
• Abstract要約: 自動運転車は世界中の主要都市で商業的に運用され始めている。 その進歩にもかかわらず、予測システムの大半は、よく探索された地理的領域に特化している。 本稿では,行動予測モデルを新しい環境に適用するための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 39.15919967225733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based behavior prediction methods are increasingly being deployed in real-world autonomous systems, e.g., in fleets of self-driving vehicles, which are beginning to commercially operate in major cities across the world. Despite their advancements, however, the vast majority of prediction systems are specialized to a set of well-explored geographic regions or operational design domains, complicating deployment to additional cities, countries, or continents. Towards this end, we present a novel method for efficiently adapting behavior prediction models to new environments. Our approach leverages recent advances in meta-learning, specifically Bayesian regression, to augment existing behavior prediction models with an adaptive layer that enables efficient domain transfer via offline fine-tuning, online adaptation, or both. Experiments across multiple real-world datasets demonstrate that our method can efficiently adapt to a variety of unseen environments.
• Abstract（参考訳）: 学習に基づく行動予測手法は、例えば、世界中の主要都市で商業的に運用され始めている自動運転車の群れに、現実の自律システムに展開されつつある。 しかし、その進歩にもかかわらず、ほとんどの予測システムは、拡張された地理的領域または運用設計ドメインに特化しており、追加の都市、国、大陸への配備を複雑にしている。 そこで本研究では,行動予測モデルを新しい環境に適用するための新しい手法を提案する。 提案手法は,最近のメタラーニング,特にベイズ回帰の進歩を活かし,オフラインの微調整やオンライン適応などによる効率的なドメイン転送を可能にする適応層により,既存の行動予測モデルを強化している。 複数の実世界のデータセットにまたがる実験により、我々の手法は様々な未知の環境に効率的に適応できることを示した。

関連論文リスト

• Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting [15.916325272109454]
  本稿では,ディープラーニングとルールに基づく予測専門家を統合した新しいフレームワーク,Adaptive Prediction Ensemble (APE)を提案する。 ディープラーニングモデルと並行して訓練された学習ルーティング関数は、入力シナリオに基づいて、最も信頼性の高い予測を動的に選択する。 この研究は、自律運転における頑健で一般化可能な運動予測のためのハイブリッドアプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-12T17:57:00Z)
• Transfer Learning Study of Motion Transformer-based Trajectory Predictions [1.2972104025246092]
  自動運転における軌道計画は、他の道路利用者の緊急行動を予測することに大きく依存している。 学習ベースの手法は現在、シミュレーションベースの課題において印象的な結果を示している。 本研究は,実世界への効果的な移行を支援するために,計算時間と性能のトレードオフの可能性に関する洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-04-12T06:50:32Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• Foresee What You Will Learn: Data Augmentation for Domain Generalization in Non-Stationary Environments [14.344721944207599]
  既存のドメインの一般化は、目に見えないドメインでもうまく機能する一般化可能なモデルを学ぶことを目的としている。 本稿では,DDA(Directional Domain Augmentation)を提案する。DDA(Directional Domain Augmentation)は,ソースデータをドメイントランスフォーマーを介して拡張としてマッピングすることで,未確認のターゲット特徴をシミュレートする。 提案手法は, 合成データセットと実世界のデータセットの両方で評価し, 実験結果から, 提案手法が既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-19T01:51:37Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
  本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。 我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-02-10T16:46:24Z)
• Cross-modal Learning for Domain Adaptation in 3D Semantic Segmentation [11.895722159139108]
  ドメイン適応はラベルが不足している場合の学習を可能にする重要なタスクである。 相互模倣による2つのモダリティの予測の整合性を実現するクロスモーダル学習を提案する。 我々は、ラベル付きデータに対する正確な予測とラベルなしのターゲットドメインデータに対するモダリティ間の一貫性のある予測をネットワークに制限する。
  論文  参考訳（メタデータ） (2021-01-18T18:59:21Z)

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。