論文の概要: P4P: Conflict-Aware Motion Prediction for Planning in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2211.01634v1
• Date: Thu, 3 Nov 2022 07:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 12:52:53.336699
• Title: P4P: Conflict-Aware Motion Prediction for Planning in Autonomous Driving
• Title（参考訳）: P4P:自律運転計画のための衝突認識運動予測
• Authors: Qiao Sun, Xin Huang, Brian C. Williams, Hang Zhao
• Abstract要約: 我々は、新しいコンフリクト関連指標を用いて最先端の予測器を評価する。 本稿では,物理に基づく軌道生成器と学習に基づく予測器を組み合わせた,シンプルだが効果的な代替手段を提案する。 我々の予測器であるP4Pは、現実的なインタラクティブな運転シナリオにおいて、既存の学習ベースの予測器よりも優れた性能を達成する。
• 参考スコア（独自算出の注目度）: 28.948224519638913
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motion prediction is crucial in enabling safe motion planning for autonomous vehicles in interactive scenarios. It allows the planner to identify potential conflicts with other traffic agents and generate safe plans. Existing motion predictors often focus on reducing prediction errors, yet it remains an open question on how well they help identify the conflicts for the planner. In this paper, we evaluate state-of-the-art predictors through novel conflict-related metrics, such as the success rate of identifying conflicts. Surprisingly, the predictors suffer from a low success rate and thus lead to a large percentage of collisions when we test the prediction-planning system in an interactive simulator. To fill the gap, we propose a simple but effective alternative that combines a physics-based trajectory generator and a learning-based relation predictor to identify conflicts and infer conflict relations. We demonstrate that our predictor, P4P, achieves superior performance over existing learning-based predictors in realistic interactive driving scenarios from Waymo Open Motion Dataset.
• Abstract（参考訳）: 動き予測は、対話的なシナリオで自動運転車の安全な動き計画を可能にするために不可欠である。 プランナーは、他のトラフィックエージェントとの潜在的な衝突を特定し、安全なプランを生成することができる。 既存の動き予測器は、しばしば予測エラーを減らすことに重点を置いているが、プランナーの衝突を特定するのにどの程度役立つかは、未解決の問題である。 本稿では,コンフリクトの同定の成功率などの新たなコンフリクト関連指標を用いて,最先端の予測器の評価を行う。 驚くべきことに、予測器は成功率が低いため、対話型シミュレータで予測計画システムをテストする場合、多数の衝突が発生する。 このギャップを埋めるために,物理学に基づく軌道生成器と学習に基づく関係予測器を組み合わせた,単純かつ効果的な代替手段を提案する。 Waymo Open Motion Datasetからのリアルなインタラクティブな駆動シナリオにおいて,既存の学習ベースの予測器よりも優れた性能を実現することを実証した。

関連論文リスト

• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning [32.71073060698739]
  軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。 政策計画に基づく軌道予測モデルであるScePTを提案する。 明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
  論文  参考訳（メタデータ） (2022-06-18T00:00:02Z)
• Prediction-Based Reachability Analysis for Collision Risk Assessment on Highways [18.18842948832662]
  本稿では,高速道路における衝突危険度予測手法を提案する。 我々は,車両状態を伝搬する多モード確率加速度分布を提供する加速度予測モデルを開発した。 提案した衝突検出アプローチはアジャイルであり、カットインクラッシュイベントにおける衝突の特定に有効である。
  論文  参考訳（メタデータ） (2022-05-03T07:58:02Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• 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)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• 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。