Fugu-MT 論文翻訳(概要): An Empirical Bayes Analysis of Vehicle Trajectory Models

論文の概要: An Empirical Bayes Analysis of Vehicle Trajectory Models

arxiv url: http://arxiv.org/abs/2211.01696v1
Date: Thu, 3 Nov 2022 10:39:41 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 13:45:10.575136
Title: An Empirical Bayes Analysis of Vehicle Trajectory Models
Title（参考訳）: 自動車軌道モデルの実証ベイズ解析
Authors: Yue Yao, Daniel Goehring, Joerg Reichardt
Abstract要約: 単純な線形モデルは、関連する時間スケールよりも高い忠実度を持つ実世界の軌道を表すことを示す。この発見は、ベイズフィルタ問題として軌道追跡と予測の定式化を可能にする。
参考スコア（独自算出の注目度）: 3.683202928838613
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an in-depth empirical analysis of the trade-off between model complexity and representation error in modelling vehicle trajectories. Analyzing several large public datasets, we show that simple linear models do represent realworld trajectories with high fidelity over relevant time scales at very moderate model complexity. This finding allows the formulation of trajectory tracking and prediction as a Bayesian filtering problem. Using an Empirical Bayes approach, we estimate prior distributions over model parameters from the data that inform the motion models necessary in the trajectory tracking problem and that can help regularize prediction models. We argue for the use of linear models in trajectory prediction tasks as their representation error is much smaller than the typical epistemic uncertainty in this task.
Abstract（参考訳）: モデル車両軌道におけるモデル複雑度と表現誤差のトレードオフに関する詳細な実験的検討を行った。いくつかの大規模な公開データセットを分析し、単純な線形モデルは、非常に穏健なモデル複雑性において、関連する時間スケールよりも高い忠実度を持つ実世界の軌道を表すことを示す。この発見により、軌道追跡と予測をベイズフィルタ問題として定式化することができる。経験的ベイズ法を用いて、軌道追従問題において必要となる運動モデルに通知し、予測モデルの定式化に役立つデータからモデルパラメータに対する事前分布を推定する。軌道予測タスクにおける線形モデルの使用は,その表現誤差がこのタスクの典型的な認識の不確実性よりもはるかに小さい。

関連論文リスト

Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction [5.7215490229343535]
PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。物理モデルに固有の解釈可能性を保持し、データ要求を減らした。 PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
論文参考訳（メタデータ） (2023-09-26T21:41:45Z)
Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
論文参考訳（メタデータ） (2023-05-31T16:23:58Z)
Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction [1.1947990549568765]
本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
論文参考訳（メタデータ） (2023-04-11T10:15:20Z)
Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文参考訳（メタデータ） (2022-05-20T07:02:03Z)
Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-01-21T01:46:36Z)
Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文参考訳（メタデータ） (2020-10-12T15:51:01Z)
The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文参考訳（メタデータ） (2020-09-30T20:00:11Z)
Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文参考訳（メタデータ） (2020-02-11T11:57:07Z)

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。