論文の概要: Physics Constrained Motion Prediction with Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2302.01060v1
- Date: Thu, 2 Feb 2023 12:45:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 14:01:54.299539
- Title: Physics Constrained Motion Prediction with Uncertainty Quantification
- Title(参考訳): 不確かさ量子化による物理制約運動予測
- Authors: Renukanandan Tumu, Lars Lindemann, Truong Nghiem, Rahul Mangharam
- Abstract要約: 物理制約運動予測は、自律的なレーシングデータセットを使用した実験において、ADEが41%、FDEが56%、IoUが19%向上した。
- 参考スコア(独自算出の注目度): 2.117421588033177
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Predicting the motion of dynamic agents is a critical task for guaranteeing
the safety of autonomous systems. A particular challenge is that motion
prediction algorithms should obey dynamics constraints and quantify prediction
uncertainty as a measure of confidence. We present a physics-constrained
approach for motion prediction which uses a surrogate dynamical model to ensure
that predicted trajectories are dynamically feasible. We propose a two-step
integration consisting of intent and trajectory prediction subject to dynamics
constraints. We also construct prediction regions that quantify uncertainty and
are tailored for autonomous driving by using conformal prediction, a popular
statistical tool. Physics Constrained Motion Prediction achieves a 41% better
ADE, 56% better FDE, and 19% better IoU over a baseline in experiments using an
autonomous racing dataset.
- Abstract(参考訳): 動的エージェントの動作を予測することは、自律システムの安全性を保証する上で重要なタスクである。
特に、動き予測アルゴリズムはダイナミクスの制約に従い、信頼の尺度として予測の不確かさを定量化するべきである。
本稿では, 代用動力学モデルを用いて, 予測軌道が動的に実現可能であることを保証する運動予測のための物理制約付きアプローチを提案する。
動力学的制約を考慮したインテントと軌道予測からなる2段階の統合を提案する。
また,不確実性を定量化し,共形予測を用いて自律運転に適した予測領域を構築した。
物理制約運動予測は、自律的なレーシングデータセットを使用した実験において、ADEが41%、FDEが56%、IoUが19%向上した。
関連論文リスト
- Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set
Prediction [13.235070498354672]
本研究は, 軌道予測能力の向上を目的とした, DOS(Dynamic Occupancy Set)予測の新しい手法を提案する。
トラフィック参加者の潜在的占有セットを予測するための、包括的で適応可能なフレームワークを提供する。
本研究は、より安全で効率的な車両・輸送システムの進歩に寄与する。
論文 参考訳(メタデータ) (2024-02-29T17:36:39Z) - What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
軌道予測は自律運転システムの性能において重要な役割を果たす。
固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
論文 参考訳(メタデータ) (2023-06-27T01:29:20Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。
PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
論文 参考訳(メタデータ) (2022-05-04T07:51:08Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Transformer based trajectory prediction [71.31516599226606]
我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。
実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
論文 参考訳(メタデータ) (2021-12-08T16:00:14Z) - 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) - 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) - 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) - 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。