Fugu-MT 論文翻訳(概要): Deep Occupancy-Predictive Representations for Autonomous Driving

論文の概要: Deep Occupancy-Predictive Representations for Autonomous Driving

arxiv url: http://arxiv.org/abs/2303.04218v1
Date: Tue, 7 Mar 2023 20:21:49 GMT
ステータス: 処理完了
システム内更新日: 2023-03-09 16:05:06.344038
Title: Deep Occupancy-Predictive Representations for Autonomous Driving
Title（参考訳）: 自動運転の深部活動予測表現
Authors: Eivind Meyer, Lars Frederik Peiss, and Matthias Althoff
Abstract要約: 提案アーキテクチャは,事前学習した状態表現のプロキシとして確率的占有率マップを符号化している。エージェント中心エンコーダは,環境のマップ対応グラフ定式化を利用して任意の道路網や交通状況に一般化する。
参考スコア（独自算出の注目度）: 6.591194329459251
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Manually specifying features that capture the diversity in traffic environments is impractical. Consequently, learning-based agents cannot realize their full potential as neural motion planners for autonomous vehicles. Instead, this work proposes to learn which features are task-relevant. Given its immediate relevance to motion planning, our proposed architecture encodes the probabilistic occupancy map as a proxy for obtaining pre-trained state representations. By leveraging a map-aware graph formulation of the environment, our agent-centric encoder generalizes to arbitrary road networks and traffic situations. We show that our approach significantly improves the downstream performance of a reinforcement learning agent operating in urban traffic environments.
Abstract（参考訳）: 交通環境の多様性を捉える機能を手動で指定するのは現実的ではない。そのため、学習に基づくエージェントは、自動運転車のニューラルモーションプランナーとしての可能性を完全には認識できない。代わりに、この作業はどの機能がタスクに関係するかを学ぶことを提案する。動作計画の即時的関連を考慮し,提案アーキテクチャは,事前学習した状態表現のプロキシとして確率的占有マップを符号化する。エージェント中心のエンコーダは,環境の地図認識グラフを活用し,任意の道路網や交通状況に一般化する。本手法は,都市交通環境における強化学習エージェントの下流性能を著しく向上させることを示す。

関連論文リスト

Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
GINK: Graph-based Interaction-aware Kinodynamic Planning via Reinforcement Learning for Autonomous Driving [10.782043595405831]
都市部などの構造環境下での自律運転に深部強化学習(D)を適用するには,多くの課題がある。本稿では,グラフに基づく意図表現と動的計画のための強化学習を効果的に組み合わせた新しいフレームワークを提案する。この実験は,既存のベースラインと比較して,我々のアプローチの最先端性能を示すものである。
論文参考訳（メタデータ） (2022-06-03T10:37:25Z)
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)
Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
論文参考訳（メタデータ） (2022-02-10T16:46:24Z)
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)
Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning [55.41644538483948]
現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。本研究では,エゴ車の観点から不変環境表現を提案する。この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
論文参考訳（メタデータ） (2021-02-12T20:37:29Z)
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)
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)
Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
論文参考訳（メタデータ） (2020-04-07T00:34:36Z)

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。