論文の概要: Improving Motion Forecasting for Autonomous Driving with the Cycle
Consistency Loss
- arxiv url: http://arxiv.org/abs/2211.00149v1
- Date: Mon, 31 Oct 2022 21:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:01:02.968297
- Title: Improving Motion Forecasting for Autonomous Driving with the Cycle
Consistency Loss
- Title(参考訳): サイクル一貫性を考慮した自律運転の動作予測の改善
- Authors: Titas Chakraborty, Akshay Bhagat, Henggang Cui
- Abstract要約: ダイナミックシーンのロバストな動き予測は、自動運転車の重要な構成要素である。
我々は、エージェントの将来の軌道は、その履歴観測と一致すべきである、このタスクにおける新しい一貫性の制約を特定する。
本稿では,新しいサイクル整合性トレーニング手法を提案し,この整合性を促進するために新しいサイクル損失を定義する。
- 参考スコア(独自算出の注目度): 3.5796128464650274
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust motion forecasting of the dynamic scene is a critical component of an
autonomous vehicle. It is a challenging problem due to the heterogeneity in the
scene and the inherent uncertainties in the problem. To improve the accuracy of
motion forecasting, in this work, we identify a new consistency constraint in
this task, that is an agent's future trajectory should be coherent with its
history observations and visa versa. To leverage this property, we propose a
novel cycle consistency training scheme and define a novel cycle loss to
encourage this consistency. In particular, we reverse the predicted future
trajectory backward in time and feed it back into the prediction model to
predict the history and compute the loss as an additional cycle loss term.
Through our experiments on the Argoverse dataset, we demonstrate that cycle
loss can improve the performance of competitive motion forecasting models.
- Abstract(参考訳): 動的シーンのロバストな動き予測は、自律走行車の重要な要素である。
これは、場面の多様性と問題の固有の不確実性のため、難しい問題である。
動き予測の精度を向上させるため,本研究では,エージェントの将来の軌道は,その履歴観測とビザの対応に一貫性のある,このタスクにおける新たな一貫性制約を明らかにする。
この特性を活用するために,新しいサイクル一貫性トレーニングスキームを提案し,この一貫性を促進するために新しいサイクル損失を定義する。
特に、予測された将来の軌道を時間的に反転させ、予測モデルにフィードバックして履歴を予測し、損失を追加サイクル損失項として計算する。
Argoverseデータセットの実験を通して、サイクル損失が競合運動予測モデルの性能を向上させることを示した。
関連論文リスト
- Prediction of rare events in the operation of household equipment using
co-evolving time series [1.1249583407496218]
我々のアプローチは、データの時間的挙動を利用して予測能力を向上する重み付き自己回帰モデルである。
合成および実世界のデータセットの評価は、我々の手法が家庭機器の故障予測手法よりも優れていることを裏付けている。
論文 参考訳(メタデータ) (2023-12-15T00:21:00Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation [24.284969264008733]
本稿では,データの周期性を考慮してドリフトを符号化するコンセプトドリフト問題に対する新しい都市時系列予測モデルを提案する。
我々の設計は最先端の手法よりも優れており、既存の予測バックボーンに十分に一般化することができる。
論文 参考訳(メタデータ) (2023-09-25T15:22:28Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳(メタデータ) (2023-09-19T03:42:55Z) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-05-17T14:14:31Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。
時空間構造因果モデルを提案する。
論文 参考訳(メタデータ) (2023-01-19T01:39:21Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳(メタデータ) (2022-08-05T09:36:55Z) - 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) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T14:59:48Z)
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。