Fugu-MT 論文翻訳(概要): Explainable Action Prediction through Self-Supervision on Scene Graphs

論文の概要: Explainable Action Prediction through Self-Supervision on Scene Graphs

arxiv url: http://arxiv.org/abs/2302.03477v1
Date: Tue, 7 Feb 2023 14:05:02 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 16:13:35.419632
Title: Explainable Action Prediction through Self-Supervision on Scene Graphs
Title（参考訳）: シーングラフの自己スーパービジョンによる説明可能な行動予測
Authors: Pawit Kochakarn, Daniele De Martini, Daniel Omeiza, Lars Kunze
Abstract要約: この研究は、自律運転のための高レベル情報の蒸留表現としてシーングラフを探索する。代表的および分離性の高い埋め込みを推論するための自己超越パイプラインを提案する。 ROADデータセット上のシステムと、完全に教師されたアプローチを比較検討し、トレーニング体制の優位性を示した。
参考スコア（独自算出の注目度）: 8.028093810066247
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work explores scene graphs as a distilled representation of high-level information for autonomous driving, applied to future driver-action prediction. Given the scarcity and strong imbalance of data samples, we propose a self-supervision pipeline to infer representative and well-separated embeddings. Key aspects are interpretability and explainability; as such, we embed in our architecture attention mechanisms that can create spatial and temporal heatmaps on the scene graphs. We evaluate our system on the ROAD dataset against a fully-supervised approach, showing the superiority of our training regime.
Abstract（参考訳）: 本研究では,自動運転のための高レベル情報の蒸留表現としてシーングラフを探索し,将来の運転行動予測に適用する。データサンプルの不足と強い不均衡を考慮し、代表的およびよく分離された埋め込みを推測する自己超越パイプラインを提案する。主な側面は解釈可能性と説明可能性であり、アーキテクチャの注意機構に埋め込まれ、シーングラフ上に空間的および時間的ヒートマップを作成することができる。道路データセット上でのシステム評価は,訓練体制の優越性を示す完全な教師付きアプローチに対して行う。

関連論文リスト

Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
コストのかかるラベルを必要とせずにエンドツーエンドの運転を改善するための,新しい自己管理手法を提案する。フレームワーク textbfLAW は LAtent World モデルを用いて,予測エゴアクションと現在のフレームの潜在機能に基づいて,今後の潜在機能を予測する。その結果,オープンループベンチマークとクローズループベンチマークの両方において,コストのかかるアノテーションを使わずに最先端のパフォーマンスを実現することができた。
論文参考訳（メタデータ） (2024-06-12T17:59:21Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
Vehicle Motion Forecasting using Prior Information and Semantic-assisted Occupancy Grid Maps [6.99274104609965]
運動は、センサーデータの不確実性、未来の非決定論的性質、複雑な振る舞いによって、自動運転車にとって困難なタスクである。本稿では,シーンを動的占有グリッドマップ(DOGM)として表現することで,この問題に対処する。本研究では,車両の挙動を予測するための時間的および確率的アプローチを組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2023-08-08T14:49:44Z)
LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文参考訳（メタデータ） (2022-10-03T22:04:00Z)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
StopNet: Scalable Trajectory and Occupancy Prediction for Urban Autonomous Driving [14.281088967734098]
本研究では,都市部における自律走行の遅延要件を満たす動き予測(挙動予測)手法を提案する。全シーンのスパース入力表現により、StopNetは、信頼できるレイテンシを持つ数百のロードエージェントのトラジェクトリを予測できる。我々のシーンエンコーダは、軌道の予測に加えて、全体の確率的占有グリッドの予測にも役立ちます。
論文参考訳（メタデータ） (2022-06-02T11:22:27Z)
Importance is in your attention: agent importance prediction for autonomous driving [4.176937532441124]
軌道予測は自動運転において重要な課題である。また,エゴ車両の今後の計画軌道について,各エージェントの重要度を計測するためにも注意情報を利用することができることを示す。
論文参考訳（メタデータ） (2022-04-19T20:34:30Z)
Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文参考訳（メタデータ） (2021-09-21T08:27:56Z)
Self-Supervision by Prediction for Object Discovery in Videos [62.87145010885044]
本稿では,この予測タスクを自己監督として利用し,画像シーケンス表現のための新しいオブジェクト中心モデルを構築する。私たちのフレームワークは、手動アノテーションや事前トレーニングされたネットワークを使わずにトレーニングできます。最初の実験では、提案されたパイプラインがオブジェクト中心のビデオ予測への有望なステップであることを確認した。
論文参考訳（メタデータ） (2021-03-09T19:14:33Z)
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)
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。