論文の概要: Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation

• arxiv url: http://arxiv.org/abs/2210.15449v1
• Date: Wed, 19 Oct 2022 15:14:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 11:53:00.861186
• Title: Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation
• Title（参考訳）: ベクトル表現による干渉車両の目標方向軌道予測
• Authors: Ding Li and Qichao Zhang and Shuai Lu and Yifeng Pan and Dongbin Zhao
• Abstract要約: 2つの相互作用エージェントのシーン準拠トラジェクトリを共同生成するための条件目標指向軌道予測(CGTP)フレームワーク。 コンテキストエンコーディング、ゴールインタラクティブ予測、軌道インタラクティブ予測の3つの主要なステージ。 対話エージェント間の協調確率分布をよりよく学習するために,新たな目標対話型損失法を開発した。
• 参考スコア（独自算出の注目度）: 10.190939530193502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims to tackle the interactive behavior prediction task, and proposes a novel Conditional Goal-oriented Trajectory Prediction (CGTP) framework to jointly generate scene-compliant trajectories of two interacting agents. Our CGTP framework is an end to end and interpretable model, including three main stages: context encoding, goal interactive prediction and trajectory interactive prediction. First, a Goals-of-Interest Network (GoINet) is designed to extract the interactive features between agent-to-agent and agent-to-goals using a graph-based vectorized representation. Further, the Conditional Goal Prediction Network (CGPNet) focuses on goal interactive prediction via a combined form of marginal and conditional goal predictors. Finally, the Goaloriented Trajectory Forecasting Network (GTFNet) is proposed to implement trajectory interactive prediction via the conditional goal-oriented predictors, with the predicted future states of the other interacting agent taken as inputs. In addition, a new goal interactive loss is developed to better learn the joint probability distribution over goal candidates between two interacting agents. In the end, the proposed method is conducted on Argoverse motion forecasting dataset, In-house cut-in dataset, and Waymo open motion dataset. The comparative results demonstrate the superior performance of our proposed CGTP model than the mainstream prediction methods.
• Abstract（参考訳）: 本稿では,対話型行動予測タスクに取り組み,対話型エージェントのシーン対応トラジェクタを共同で生成する条件付き目標指向軌道予測(cgtp)フレームワークを提案する。 我々のCGTPフレームワークは、コンテキストエンコーディング、ゴールインタラクティブ予測、軌道インタラクティブ予測の3つの主要なステージを含む、エンドツーエンドおよび解釈可能なモデルである。 まず、グラフベースのベクトル化表現を用いて、エージェント・ツー・エージェントとエージェント・ツー・ゴール間の対話的特徴を抽出する。 さらに、条件目標予測ネットワーク(cgpnet)は、限界予測と条件目標予測の組み合わせによる目標インタラクティブ予測に焦点を当てている。 最後に,目標指向軌道予測ネットワーク(gtfnet)を提案し,条件付き目標指向予測器による軌道対話型予測を実現する。 さらに,2つの対話エージェント間の協調確率分布をよりよく学習するために,新たな目標対話型損失法を開発した。 最後に、argoverse motion forecasting dataset、in-house cut-in dataset、waymo open motion datasetについて提案手法を提案する。 その結果,提案したCGTPモデルの性能は主流の予測法よりも優れていた。

関連論文リスト

• A Multi-Stage Goal-Driven Network for Pedestrian Trajectory Prediction [6.137256382926171]
  本稿では,多段階目標駆動ネットワーク(MGNet)と呼ばれる,歩行者軌道予測の新しい手法を提案する。 ネットワークは、条件付き変分オートエンコーダ(CVAE)、アテンションモジュール、多段階ゴール評価器の3つの主要コンポーネントから構成される。 MGNetの有効性は、JAADおよびPIEデータセットに関する総合的な実験を通して示される。
  論文  参考訳（メタデータ） (2024-06-26T03:59:21Z)
• SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.286256266868156]
  トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。 エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。 また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:43:40Z)
• Interpretable Long Term Waypoint-Based Trajectory Prediction Model [1.4778851751964937]
  軌道予測フレームワークの性能に長期的目標を加えることが及ぼす影響について検討する。 We present a interpretable long term waypoint-driven prediction framework (WayDCM)。
  論文  参考訳（メタデータ） (2023-12-11T09:10:22Z)
• FFINet: Future Feedback Interaction Network for Motion Forecasting [46.247396728154904]
  本稿では、軌道予測のための現在の観測と潜在的な未来の相互作用を集約する、新しいFuture Feedback Interaction Network(FFINet)を提案する。 我々のFFINetはArgoverse 1とArgoverse 2の動作予測ベンチマークの最先端性能を実現している。
  論文  参考訳（メタデータ） (2023-11-08T07:57:29Z)
• Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
  並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。 我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2023-01-09T17:00:34Z)
• FJMP: Factorized Joint Multi-Agent Motion Prediction over Learned Directed Acyclic Interaction Graphs [8.63314005149641]
  対話型運転シナリオのためのFJMP(Factized Joint Motion Prediction)フレームワークを提案する。 FJMPは、非分解的アプローチよりも正確でシーンに一貫性のある関節軌道予測を生成する。 FJMPはInterActionデータセットのマルチエージェントテストリーダーボードで1位である。
  論文  参考訳（メタデータ） (2022-11-27T18:59:17Z)
• ProspectNet: Weighted Conditional Attention for Future Interaction Modeling in Behavior Prediction [5.520507323174275]
  本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。 本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。 ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2022-08-29T19:29:49Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• 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)

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。