論文の概要: EPG-MGCN: Ego-Planning Guided Multi-Graph Convolutional Network for
Heterogeneous Agent Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2303.17027v1
- Date: Wed, 29 Mar 2023 21:14:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 15:01:41.734882
- Title: EPG-MGCN: Ego-Planning Guided Multi-Graph Convolutional Network for
Heterogeneous Agent Trajectory Prediction
- Title（参考訳）: EPG-MGCN: Ego-Planning Guided Multi-Graph Convolutional Network for Heterogeneous Agent Trajectory Prediction
- Authors: Zihao Sheng, Zilin Huang, Sikai Chen
- Abstract要約: 本稿では,異種エージェントの軌跡を予測するためのego-planning guided multi-graph convolutional network (EPG-MGCN)を提案する。
EPG-MGCNはまず4つのグラフトポロジを用いて社会的相互作用をモデル化する。
最後に、カテゴリ固有のゲートリカレントユニット(CS-GRU)エンコーダデコーダは、各種類のエージェントに対する将来のトラジェクトリを生成するように設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To drive safely in complex traffic environments, autonomous vehicles need to
make an accurate prediction of the future trajectories of nearby heterogeneous
traffic agents (i.e., vehicles, pedestrians, bicyclists, etc). Due to the
interactive nature, human drivers are accustomed to infer what the future
situations will become if they are going to execute different maneuvers. To
fully exploit the impacts of interactions, this paper proposes a ego-planning
guided multi-graph convolutional network (EPG-MGCN) to predict the trajectories
of heterogeneous agents using both historical trajectory information and ego
vehicle's future planning information. The EPG-MGCN first models the social
interactions by employing four graph topologies, i.e., distance graphs,
visibility graphs, planning graphs and category graphs. Then, the planning
information of the ego vehicle is encoded by both the planning graph and the
subsequent planning-guided prediction module to reduce uncertainty in the
trajectory prediction. Finally, a category-specific gated recurrent unit
(CS-GRU) encoder-decoder is designed to generate future trajectories for each
specific type of agents. Our network is evaluated on two real-world trajectory
datasets: ApolloScape and NGSIM. The experimental results show that the
proposed EPG-MGCN achieves state-of-the-art performance compared to existing
methods.
- Abstract（参考訳）: 複雑な交通環境で安全に運転するには、近くの異種交通機関(例えば、車両、歩行者、自転車など)の将来の軌道を正確に予測する必要がある。
インタラクティブな性質から、人間ドライバーは、異なる操作を実行する場合、将来の状況がどうなるか推測するのに慣れています。
インタラクションの影響を十分に活用するために,ego-planning guided multi-graph convolutional network (epg-mgcn) を提案する。
EPG-MGCNはまず、距離グラフ、可視グラフ、計画グラフ、カテゴリグラフの4つのグラフトポロジーを用いて、社会的相互作用をモデル化する。
そして、計画グラフとその後の計画誘導予測モジュールとでエゴ車両の計画情報を符号化し、軌道予測の不確実性を低減させる。
最後に、カテゴリ固有のゲートリカレントユニット(CS-GRU)エンコーダデコーダは、各種類のエージェントに対する将来のトラジェクトリを生成するように設計されている。
我々のネットワークは,ApolloScapeとNGSIMの2つの実世界の軌道データセットで評価されている。
実験の結果,提案したEPG-MGCNは既存手法と比較して最先端性能が得られた。
関連論文リスト
- PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。
我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
論文 参考訳（メタデータ） (2023-11-14T11:53:24Z) - FJMP: Factorized Joint Multi-Agent Motion Prediction over Learned
Directed Acyclic Interaction Graphs [8.63314005149641]
対話型運転シナリオのためのFJMP(Factized Joint Motion Prediction)フレームワークを提案する。
FJMPは、非分解的アプローチよりも正確でシーンに一貫性のある関節軌道予測を生成する。
FJMPはInterActionデータセットのマルチエージェントテストリーダーボードで1位である。
論文 参考訳（メタデータ） (2022-11-27T18:59:17Z) - Deep Interactive Motion Prediction and Planning: Playing Games with
Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。
本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文 参考訳（メタデータ） (2022-04-05T17:58:18Z) - Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文 参考訳（メタデータ） (2021-11-02T13:42:16Z) - Graph-Based Spatial-Temporal Convolutional Network for Vehicle
Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。
時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。
次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文 参考訳（メタデータ） (2021-09-27T02:20:38Z) - 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) - 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) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z) - 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) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳（メタデータ） (2020-03-25T16:09:54Z) - 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。