論文の概要: MSTFormer: Motion Inspired Spatial-temporal Transformer with
Dynamic-aware Attention for long-term Vessel Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2303.11540v1
- Date: Tue, 21 Mar 2023 02:11:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 16:58:45.948171
- Title: MSTFormer: Motion Inspired Spatial-temporal Transformer with
Dynamic-aware Attention for long-term Vessel Trajectory Prediction
- Title（参考訳）: MSTFormer:長期船体軌道予測のための動的注意を伴う運動誘発時空間変圧器
- Authors: Huimin Qiang, Zhiyuan Guo, Shiyuan Xie, Xiaodong Peng
- Abstract要約: MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。
軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。
第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。
第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
- 参考スコア（独自算出の注目度）: 0.6451914896767135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Incorporating the dynamics knowledge into the model is critical for achieving
accurate trajectory prediction while considering the spatial and temporal
characteristics of the vessel. However, existing methods rarely consider the
underlying dynamics knowledge and directly use machine learning algorithms to
predict the trajectories. Intuitively, the vessel's motions are following the
laws of dynamics, e.g., the speed of a vessel decreases when turning a corner.
Yet, it is challenging to combine dynamic knowledge and neural networks due to
their inherent heterogeneity. Against this background, we propose MSTFormer, a
motion inspired vessel trajectory prediction method based on Transformer. The
contribution of this work is threefold. First, we design a data augmentation
method to describe the spatial features and motion features of the trajectory.
Second, we propose a Multi-headed Dynamic-aware Self-attention mechanism to
focus on trajectory points with frequent motion transformations. Finally, we
construct a knowledge-inspired loss function to further boost the performance
of the model. Experimental results on real-world datasets show that our
strategy not only effectively improves long-term predictive capability but also
outperforms backbones on cornering data.The ablation analysis further confirms
the efficacy of the proposed method. To the best of our knowledge, MSTFormer is
the first neural network model for trajectory prediction fused with vessel
motion dynamics, providing a worthwhile direction for future research.The
source code is available at https://github.com/simple316/MSTFormer.
- Abstract（参考訳）: モデルに力学知識を組み込むことは,容器の空間的および時間的特性を考慮した正確な軌道予測を実現する上で重要である。
しかし、既存の手法では基盤となるダイナミクスの知識をほとんど考慮せず、直接機械学習アルゴリズムを使用して軌道を予測する。
直感的には、船の動きは動力の法則に従っており、例えば、角を曲がると船の速度が減少する。
しかし、その固有の多様性から、動的知識とニューラルネットワークを組み合わせることは困難である。
そこで本稿では,Transformer を用いた動きインスパイアされた容器軌道予測手法 MSTFormer を提案する。
この作品の貢献は3倍である。
まず,軌道の空間的特徴と運動特性を記述するために,データ拡張手法を設計する。
第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。
最後に,モデルの性能をさらに高めるために,知識に触発された損失関数を構築する。
実世界のデータセットにおける実験結果から,本手法は長期予測能力を向上させるだけでなく,コーナリングデータにおけるバックボーンを上回ることを示し,提案手法の有効性をさらに検証した。
私たちの知る限り、MSTFormerは、血管運動力学と融合した軌道予測のための最初のニューラルネットワークモデルであり、将来の研究に価値のある方向性を提供する。
関連論文リスト
- 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。
本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。
このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文 参考訳（メタデータ） (2024-11-13T08:34:07Z) - ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties [6.865435680843742]
本稿では,騒音に対する抵抗性を高めたエージェントの将来の軌道を積極的に予測する,拡散型・加速可能な新しいフレームワークを提案する。
本手法は,自律走行車に必要な厳格なリアルタイム運転基準を満たす。
Argoverse 1のモーション予測データセット上でのマルチエージェント動作予測において,大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-01T18:16:55Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - A Novel Deep Neural Network for Trajectory Prediction in Automated
Vehicles Using Velocity Vector Field [12.067838086415833]
本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。
精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
論文 参考訳（メタデータ） (2023-09-19T22:14:52Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-06-05T04:24:11Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-21T07:29:24Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - PlayVirtual: Augmenting Cycle-Consistent Virtual Trajectories for
Reinforcement Learning [84.30765628008207]
本稿では,RL特徴表現学習におけるデータ効率を向上させるために,サイクル一貫性のある仮想トラジェクトリを付加するPlayVirtualという新しい手法を提案する。
本手法は,両ベンチマークにおいて,最先端の手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2021-06-08T07:37:37Z)
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。