論文の概要: Towards Explainable Motion Prediction using Heterogeneous Graph
Representations
- arxiv url: http://arxiv.org/abs/2212.03806v1
- Date: Wed, 7 Dec 2022 17:43:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 16:52:59.632628
- Title: Towards Explainable Motion Prediction using Heterogeneous Graph
Representations
- Title（参考訳）: 不均一グラフ表現を用いた説明可能な動き予測
- Authors: Sandra Carrasco Limeros, Sylwia Majchrowska, Joakim Johnander,
Christoffer Petersson, David Fern\'andez Llorca
- Abstract要約: 動き予測システムは、自動運転車が安全かつ効率的な計画を実行できるようにする交通シナリオの将来の挙動を捉えることを目的としている。
GNNベースのアプローチは、これらの相互作用を自然にモデル化するのに適しているため、近年注目を集めている。
本研究では,異なるアプローチを用いて動作予測システムの説明可能性を向上させることを目的とする。
- 参考スコア（独自算出の注目度）: 3.675875935838632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion prediction systems aim to capture the future behavior of traffic
scenarios enabling autonomous vehicles to perform safe and efficient planning.
The evolution of these scenarios is highly uncertain and depends on the
interactions of agents with static and dynamic objects in the scene. GNN-based
approaches have recently gained attention as they are well suited to naturally
model these interactions. However, one of the main challenges that remains
unexplored is how to address the complexity and opacity of these models in
order to deal with the transparency requirements for autonomous driving
systems, which includes aspects such as interpretability and explainability. In
this work, we aim to improve the explainability of motion prediction systems by
using different approaches. First, we propose a new Explainable Heterogeneous
Graph-based Policy (XHGP) model based on an heterograph representation of the
traffic scene and lane-graph traversals, which learns interaction behaviors
using object-level and type-level attention. This learned attention provides
information about the most important agents and interactions in the scene.
Second, we explore this same idea with the explanations provided by
GNNExplainer. Third, we apply counterfactual reasoning to provide explanations
of selected individual scenarios by exploring the sensitivity of the trained
model to changes made to the input data, i.e., masking some elements of the
scene, modifying trajectories, and adding or removing dynamic agents. The
explainability analysis provided in this paper is a first step towards more
transparent and reliable motion prediction systems, important from the
perspective of the user, developers and regulatory agencies. The code to
reproduce this work is publicly available at
https://github.com/sancarlim/Explainable-MP/tree/v1.1.
- Abstract（参考訳）: 動き予測システムは、自動運転車が安全かつ効率的な計画を実行できるようにする交通シナリオの将来の挙動を捉えることを目的としている。
これらのシナリオの進化は極めて不確実であり、シーン内の静的および動的オブジェクトとの相互作用に依存する。
GNNベースのアプローチは、これらの相互作用を自然にモデル化するのに適しているため、近年注目を集めている。
しかしながら、未検討のままである主な課題の1つは、解釈可能性や説明可能性といった側面を含む自動運転システムの透明性要件に対処するために、これらのモデルの複雑さと不透明さに対処する方法である。
本研究では,異なるアプローチを用いて動作予測システムの説明可能性を向上させることを目的とする。
まず,トラヒックシーンのヘテログラフ表現と車線グラフトラバーサルに基づく,オブジェクトレベルおよびタイプレベルアテンションを用いたインタラクション行動の学習に基づく,説明可能なヘテロジニアスグラフベースポリシ(xhgp)モデルを提案する。
この学習された注意は、シーンにおける最も重要なエージェントと相互作用に関する情報を提供する。
第2に、GNNExplainerの提供する説明で、同様のアイデアを探求する。
第3に,入力データに対する変更に対するトレーニングモデルの感度,すなわちシーンの要素をマスキングし,トラジェクタの変更を行い,動的エージェントの追加・削除を行うことで,選択された個々のシナリオの説明を偽り推論に適用する。
本論文で提示される説明可能性分析は,より透明で信頼性の高いモーション予測システムへの第一歩であり,ユーザ,開発者,規制機関の観点から重要である。
この作業を再現するコードはhttps://github.com/sancarlim/Explainable-MP/tree/v1.1で公開されている。
関連論文リスト
- SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Controllable Adversaries [94.84458417662407]
本稿では,新しい拡散制御型クローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
我々は,認知過程における敵対的項を通して,安全クリティカルなシナリオをシミュレートする新しい手法を開発した。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-06-05T04:24:11Z) - 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) - Holistic Graph-based Motion Prediction [2.365702128814616]
ヘテロジニアスな全体グラフ表現に基づくグラフに基づく動き予測の新しい手法を提案する。
情報は異なるタイプのノードとエッジを通じてエンコードされ、どちらも任意の機能でリッチ化されている。
論文 参考訳（メタデータ） (2023-01-31T10:46:46Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - 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) - Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。
アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。
提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
論文 参考訳（メタデータ） (2020-09-27T18:20:03Z) - 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) - Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware
Probabilistic Prediction [29.623692599892365]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。
本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
論文 参考訳（メタデータ） (2020-04-07T00:34:36Z) - 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。