論文の概要: Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2212.06968v1
• Date: Wed, 14 Dec 2022 01:21:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:56:29.301412
• Title: Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving
• Title（参考訳）: 自律運転における状態空間モデル学習のための粒子ベーススコア推定
• Authors: Angad Singh, Omar Makhlouf, Maximilian Igl, Joao Messias, Arnaud Doucet, Shimon Whiteson
• Abstract要約: マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
• 参考スコア（独自算出の注目度）: 62.053071723903834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object state estimation is a fundamental problem for robotic applications where a robot must interact with other moving objects. Typically, other objects' relevant state features are not directly observable, and must instead be inferred from observations. Particle filtering can perform such inference given approximate transition and observation models. However, these models are often unknown a priori, yielding a difficult parameter estimation problem since observations jointly carry transition and observation noise. In this work, we consider learning maximum-likelihood parameters using particle methods. Recent methods addressing this problem typically differentiate through time in a particle filter, which requires workarounds to the non-differentiable resampling step, that yield biased or high variance gradient estimates. By contrast, we exploit Fisher's identity to obtain a particle-based approximation of the score function (the gradient of the log likelihood) that yields a low variance estimate while only requiring stepwise differentiation through the transition and observation models. We apply our method to real data collected from autonomous vehicles (AVs) and show that it learns better models than existing techniques and is more stable in training, yielding an effective smoother for tracking the trajectories of vehicles around an AV.
• Abstract（参考訳）: マルチオブジェクト状態推定は、ロボットが他の動く物体と対話しなければならないロボットアプリケーションにとって、基本的な問題である。 通常、他のオブジェクトの関連する状態機能は直接観測可能ではなく、代わりに観測から推測する必要がある。 粒子フィルタリングは、近似遷移および観測モデルによってそのような推論を行うことができる。 しかし、これらのモデルはしばしば事前の未知であり、観測が遷移と観測ノイズを併せ持つため、パラメータ推定が難しい。 本研究では,粒子法を用いて最大類似パラメータを学習することを検討する。 この問題に対処する最近の手法は、偏りや高分散勾配推定をもたらす非微分再サンプリングステップへの回避策を必要とする粒子フィルタの時間を通じて区別されるのが一般的である。 対照的に、フィッシャーの同一性を利用して、遷移と観測モデルによる段階的微分のみを必要としながら、低分散推定をもたらすスコア関数(対数確率の勾配)の粒子ベースの近似を求める。 本手法を自律走行車(avs)から収集した実データに適用し、既存の技術よりも優れたモデルを学び、訓練でより安定であることを示し、車両の軌道を追跡する効果的なスムース化を実現する。

関連論文リスト

• Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
  希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。 本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。 車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-01T21:54:01Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Score-based Data Assimilation [7.215767098253208]
  軌道推定のためのスコアベースのデータ同化を導入する。 我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
  論文  参考訳（メタデータ） (2023-06-18T14:22:03Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Learning interaction kernels in stochastic systems of interacting particles from multiple trajectories [13.3638879601361]
  相互作用する粒子やエージェントのシステムと、相互作用カーネルによって決定されるダイナミクスを考察する。 正規化極大推定器に基づく逆問題に対する非パラメトリック推論手法を提案する。 相関条件により,この問題の条件数を制御し,推定器の整合性を証明することができることを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:28:06Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)
• Variational Inference with Parameter Learning Applied to Vehicle Trajectory Estimation [20.41604350878599]
  雑音測定のみを用いたガウス変分推論におけるパラメータ学習について述べる。 我々はライダーを用いた自動車による36kmのデータセットを用いて高精細マップに対するローカライズを行う手法を実証した。
  論文  参考訳（メタデータ） (2020-03-21T19:48:07Z)

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。

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。