論文の概要: FEND: A Future Enhanced Distribution-Aware Contrastive Learning
Framework for Long-tail Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2303.16574v1
- Date: Wed, 29 Mar 2023 10:16:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:19:06.902475
- Title: FEND: A Future Enhanced Distribution-Aware Contrastive Learning
Framework for Long-tail Trajectory Prediction
- Title(参考訳): FEND: 長期軌道予測のための分散型コントラスト学習フレームワーク
- Authors: Yuning Wang, Pu Zhang, Lei Bai, Jianru Xue
- Abstract要約: 本稿では,軌道予測における長い尾現象の扱いに焦点をあてる。
我々は、末尾軌道パターンを認識し、個別のパターンクラスタで特徴空間を形成するための、将来的な強化されたコントラスト学習フレームワークを提唱した。
本手法は, ADEでは9.5%, FDEでは8.5%の精度で, 最先端のロングテール予測法よりも優れていた。
- 参考スコア(独自算出の注目度): 19.626383744807068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting the future trajectories of the traffic agents is a gordian
technique in autonomous driving. However, trajectory prediction suffers from
data imbalance in the prevalent datasets, and the tailed data is often more
complicated and safety-critical. In this paper, we focus on dealing with the
long-tail phenomenon in trajectory prediction. Previous methods dealing with
long-tail data did not take into account the variety of motion patterns in the
tailed data. In this paper, we put forward a future enhanced contrastive
learning framework to recognize tail trajectory patterns and form a feature
space with separate pattern clusters. Furthermore, a distribution aware hyper
predictor is brought up to better utilize the shaped feature space. Our method
is a model-agnostic framework and can be plugged into many well-known
baselines. Experimental results show that our framework outperforms the
state-of-the-art long-tail prediction method on tailed samples by 9.5% on ADE
and 8.5% on FDE, while maintaining or slightly improving the averaged
performance. Our method also surpasses many long-tail techniques on trajectory
prediction task.
- Abstract(参考訳): 交通機関の将来の軌跡を予測することは、自動運転におけるゴーディアン技術である。
しかし、軌道予測は一般的なデータセットでのデータ不均衡に苦しめられ、尾付きデータはより複雑で安全性にクリティカルであることが多い。
本稿では,軌道予測における長い尾現象の扱いに焦点をあてる。
従来の長尾データ処理手法では,尾尾データの動作パターンの多様性は考慮されなかった。
本稿では,末尾の軌跡パターンを認識し,個別のパターンクラスタで特徴空間を形成するための拡張型コントラスト学習フレームワークを提案する。
さらに、分布認識ハイパー予測器を作成し、形状特徴空間をより有効活用する。
我々の手法はモデルに依存しないフレームワークであり、よく知られたベースラインにプラグインすることができる。
実験結果から,本フレームワークの精度はADEで9.5%,FDEで8.5%向上し,平均性能はわずかに向上した。
また,提案手法は軌道予測タスクにおいて,多くのロングテール技術を超えている。
関連論文リスト
- AMEND: A Mixture of Experts Framework for Long-tailed Trajectory
Prediction [7.346307332191997]
軌道予測のためのモジュラーモデル非依存フレームワークを提案する。
各専門家は、データの特定の部分に関して、特別なスキルで訓練される。
予測のために,相対的信頼スコアを生成することで,最高の専門家を選択するルータネットワークを利用する。
論文 参考訳(メタデータ) (2024-02-13T02:43:41Z) - Orthogonal Uncertainty Representation of Data Manifold for Robust
Long-Tailed Learning [52.021899899683675]
長い尾の分布を持つシナリオでは、尾のサンプルが不足しているため、モデルが尾のクラスを識別する能力は制限される。
モデルロバストネスの長期的現象を改善するために,特徴埋め込みの直交不確実性表現(OUR)とエンドツーエンドのトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2023-10-16T05:50:34Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory
Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。
EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。
以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文 参考訳(メタデータ) (2023-08-12T13:17:09Z) - Graph-based Spatial Transformer with Memory Replay for Multi-future
Pedestrian Trajectory Prediction [13.466380808630188]
歴史的軌跡に基づく複数経路の予測モデルを提案する。
提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。
実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
論文 参考訳(メタデータ) (2022-06-12T10:25:12Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳(メタデータ) (2020-12-16T18:47:37Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳(メタデータ) (2020-04-23T08:30:00Z)
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。