Fugu-MT 論文翻訳(概要): ParallelNet: Multi-mode Trajectory Prediction by Multi-mode Trajectory Fusion

論文の概要: ParallelNet: Multi-mode Trajectory Prediction by Multi-mode Trajectory Fusion

arxiv url: http://arxiv.org/abs/2212.10203v1
Date: Tue, 20 Dec 2022 12:30:51 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 16:34:25.510765
Title: ParallelNet: Multi-mode Trajectory Prediction by Multi-mode Trajectory Fusion
Title（参考訳）: parallelnet:マルチモード軌道融合によるマルチモード軌道予測
Authors: Fei Wu, Luoyu Chen and Hao Lu
Abstract要約: 本稿では,複数の畳み込みニューラルネットワークのバックボーンを並列化するネットワークアーキテクチャを提案する。 2020年のICRA Nuscene Predictionチャレンジでは、私たちのモデルは全チームで15位にランクインしました。
参考スコア（独自算出の注目度）: 15.610908553058147
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Level 5 Autonomous Driving, a technology that a fully automated vehicle (AV) requires no human intervention, has raised serious concerns on safety and stability before widespread use. The capability of understanding and predicting future motion trajectory of road objects can help AV plan a path that is safe and easy to control. In this paper, we propose a network architecture that parallelizes multiple convolutional neural network backbones and fuses features to make multi-mode trajectory prediction. In the 2020 ICRA Nuscene Prediction challenge, our model ranks 15th on the leaderboard across all teams.
Abstract（参考訳）: レベル5 完全自動化車両(AV)が人間の介入を必要としない技術である自動運転は、広く使われる前に安全性と安定性に深刻な懸念を抱いている。路面物体の将来の運動軌跡を理解し予測する能力は、AVが安全かつ制御が容易な経路を計画するのに役立つ。本稿では,複数の畳み込みニューラルネットワークバックボーンを並列化し,特徴を融合してマルチモード軌道予測を行うネットワークアーキテクチャを提案する。 2020年のICRA Nuscene Predictionチャレンジでは、私たちのモデルは全チームで15位にランクインしました。

関連論文リスト

Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks [5.571793666361683]
本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
論文参考訳（メタデータ） (2023-03-28T16:25:16Z)
Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文参考訳（メタデータ） (2022-04-05T17:58:18Z)
Context-Aware Scene Prediction Network (CASPNet) [3.390468002706074]
我々は,新しい畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)に基づくアーキテクチャを用いて,すべての道路利用者の動きを共同で学習し,予測する。我々の手法は予測ベンチマークで最先端の結果に到達する。
論文参考訳（メタデータ） (2022-01-18T12:52:01Z)
PredictionNet: Real-Time Joint Probabilistic Traffic Prediction for Planning, Control, and Simulation [9.750094897470447]
PredictionNetはディープニューラルネットワーク(DNN)で、Ego-vehicleの動作とともに、周囲のすべてのトラフィックエージェントの動作を予測する。このネットワークは現実的なトラフィックをシミュレートするために使用することができ、人気のあるベンチマークで競合する結果を生成する。現実の車両を何百キロも制御するために、モーションプランニング/制御サブシステムと組み合わせて使用されてきた。
論文参考訳（メタデータ） (2021-09-23T01:23:47Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network [12.791191495432829]
現実の交通シナリオにおける軌道予測にはいくつかの課題がある。目的や周囲に注意を払って交通をナビゲートする人々の自然な習慣に触発された本論文は,ユニークなグラフ注意ネットワークを示す。ネットワークはエージェント間の動的社会的相互作用をモデル化し、セマンティックマップでトラフィックルールに適合するように設計されている。
論文参考訳（メタデータ） (2021-03-30T11:53:12Z)
End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-01-17T14:16:12Z)
What-If Motion Prediction for Autonomous Driving [58.338520347197765]
生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
論文参考訳（メタデータ） (2020-08-24T17:49:30Z)
DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文参考訳（メタデータ） (2020-08-13T17:54:06Z)
Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
論文参考訳（メタデータ） (2020-06-23T11:25:16Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。