論文の概要: Exploring Attention GAN for Vehicle Motion Prediction
- arxiv url: http://arxiv.org/abs/2209.12674v1
- Date: Mon, 26 Sep 2022 13:18:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 15:02:41.212801
- Title: Exploring Attention GAN for Vehicle Motion Prediction
- Title（参考訳）: 車両運動予測のための注意GANの探索
- Authors: Carlos G\'omez-Hu\'elamo, Marcos V. Conde, Miguel Ortiz, Santiago
Montiel, Rafael Barea and Luis M. Bergasa
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.887073662645855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The design of a safe and reliable Autonomous Driving stack (ADS) is one of
the most challenging tasks of our era. These ADS are expected to be driven in
highly dynamic environments with full autonomy, and a reliability greater than
human beings. In that sense, to efficiently and safely navigate through
arbitrarily complex traffic scenarios, ADS must have the ability to forecast
the future trajectories of surrounding actors. Current state-of-the-art models
are typically based on Recurrent, Graph and Convolutional networks, achieving
noticeable results in the context of vehicle prediction. In this paper we
explore the influence of attention in generative models for motion prediction,
considering both physical and social context to compute the most plausible
trajectories. We first encode the past trajectories using a LSTM network, which
serves as input to a Multi-Head Self-Attention module that computes the social
context. On the other hand, we formulate a weighted interpolation to calculate
the velocity and orientation in the last observation frame in order to
calculate acceptable target points, extracted from the driveable of the HDMap
information, which represents our physical context. Finally, the input of our
generator is a white noise vector sampled from a multivariate normal
distribution while the social and physical context are its conditions, in order
to predict plausible trajectories. We validate our method using the Argoverse
Motion Forecasting Benchmark 1.1, achieving competitive unimodal results.
- Abstract（参考訳）: 安全で信頼性の高い自動運転スタック(ADS)の設計は、我々の時代の最も困難な課題の1つである。
これらのADSは、完全な自律性と人間よりも信頼性の高い、非常にダイナミックな環境で駆動されることが期待されている。
その意味で、任意の複雑な交通シナリオを効率的に安全にナビゲートするには、ADSは周囲のアクターの将来の軌跡を予測できなければならない。
現在の最先端モデルは、通常、リカレント、グラフ、畳み込みネットワークに基づいており、車両予測のコンテキストにおいて顕著な結果を達成する。
本稿では,運動予測のための生成モデルにおける注意の影響について検討し,身体的・社会的両方の文脈を考慮し,最も妥当な軌跡を計算した。
まず,過去の軌跡をlstmネットワークを用いてエンコードし,ソーシャルコンテキストを計算するマルチヘッド・セルフアテンションモジュールへの入力として利用する。
一方、重み付き補間法を定式化し、最終観測フレームの速度と向きを計算し、我々の物理的文脈を表すHDMap情報の駆動性から抽出された許容目標点を計算する。
最後に, 生成器の入力は, 多変量正規分布からサンプリングされた白色雑音ベクトルであり, 社会的・物理的文脈はその条件である。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法を検証する。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - 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) - Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。
本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。
すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
論文 参考訳（メタデータ） (2023-02-21T18:42:24Z) - Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
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。
論文 参考訳（メタデータ） (2022-08-31T18:43:23Z) - 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) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳（メタデータ） (2020-11-23T03:13:26Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - 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) - 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)
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。