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

• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  拡散モデルは様々な地域で広く採用されている。 しかし,ネットワーク評価の数百～3分の1で逆処理をエミュレートするので,サンプリングは遅い。 微分方程式解の高速化におけるニューラル演算子の成功に触発されて、演算子学習の観点から基礎となるニューラル微分方程式を解くことにより、この問題にアプローチする。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Real-to-Sim: Deep Learning with Auto-Tuning to Predict Residual Errors using Sparse Data [65.93205328894608]
  自動チューニングとニューラルネットワークを用いて,キネマティック・シミュレーターモデルと実ロボット間の残差を学習する。 ロボットハードウェア(マニピュレータアームなど)で本手法を実証し,学習した残差誤差により,キネマティックモデル,シミュレーション,実ロボット間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• 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)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Robots State Estimation and Observability Analysis Based on Statistical Motion Models [10.941793802354953]
  本稿では,移動ロボットの動特性(翻訳と回転)を捉える汎用動作モデルを提案する。 このモデルは白色ランダムプロセスによって駆動される統計モデルに基づいており、エラー状態拡張カルマンフィルタリングフレームワーク(ESEKF)に基づく完全な状態推定アルゴリズムに定式化されている。 システム状態の観測不能なサブセットを特徴付けるために、新しいtexttextbfitthin セットの概念が導入された。
  論文  参考訳（メタデータ） (2020-10-12T18:35:33Z)
• 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)
• Long-term Pedestrian Trajectory Prediction using Mutable Intention Filter and Warp LSTM [3.2059799592315787]
  軌道予測は、ロボットが歩行者を安全にナビゲートし、操作するための重要な能力の1つだ。 本研究では,人間の意図を推定し,軌道予測を行うために,ミュータブルインテンションフィルタとワープLSTMを組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-30T21:23:00Z)
• 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。