論文の概要: Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2304.05116v1
• Date: Tue, 11 Apr 2023 10:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 15:20:42.504100
• Title: Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction
• Title（参考訳）: グラフに基づく軌道予測のための差動モデルの評価
• Authors: Theodor Westny, Joel Oskarsson, Bj\"orn Olofsson and Erik Frisk
• Abstract要約: 本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。 この研究は、低階積分子モデルのようなより単純なモデルの方がより複雑なモデルよりも好ましいことを示している。
• 参考スコア（独自算出の注目度）: 1.1947990549568765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given their adaptability and encouraging performance, deep-learning models are becoming standard for motion prediction in autonomous driving. However, with great flexibility comes a lack of interpretability and possible violations of physical constraints. Accompanying these data-driven methods with differentially-constrained motion models to provide physically feasible trajectories is a promising future direction. The foundation for this work is a previously introduced graph-neural-network-based model, MTP-GO. The neural network learns to compute the inputs to an underlying motion model to provide physically feasible trajectories. This research investigates the performance of various motion models in combination with numerical solvers for the prediction task. The study shows that simpler models, such as low-order integrator models, are preferred over more complex ones, e.g., kinematic models, to achieve accurate predictions. Further, the numerical solver can have a substantial impact on performance, advising against commonly used first-order methods like Euler forward. Instead, a second-order method like Heun's can significantly improve predictions.
• Abstract（参考訳）: 適応性とパフォーマンスの促進を考えると、ディープラーニングモデルは自動運転における動き予測の標準になりつつある。 しかし、柔軟性は解釈可能性の欠如と物理的制約の違反が伴う。 物理的に実現可能な軌道を提供するために、これらのデータ駆動方式を差分制約された運動モデルに適合させることは、将来有望な方向である。 この研究の基礎は、以前導入されたグラフニューラルネットワークベースのモデル、MTP-GOである。 ニューラルネットワークは、基礎となる運動モデルへの入力を計算し、物理的に実現可能な軌道を提供する。 本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。 この研究は、低階積分子モデルのような単純なモデルは、正確な予測を達成するために、キネマティックモデルのようなより複雑なモデルよりも好ましいことを示している。 さらに、数値解法は性能に大きな影響を与え、オイラーフォワードのような一般的な一階法に対して助言することができる。 代わりに、Heun'sのような二階法は予測を大幅に改善することができる。

関連論文リスト

• Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
  本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。 我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-17T13:26:17Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• MTP-GO: Graph-Based Probabilistic Multi-Agent Trajectory Prediction with Neural ODEs [2.4169078025984825]
  MTP-GOというモデルを紹介します。 時間グラフニューラルネットワークを使用してシーンを符号化し、基盤となるモーションモデルへの入力を生成する。 結果は,提案モデルが様々なデータセットにまたがる予測能力を示す。
  論文  参考訳（メタデータ） (2023-02-01T20:03:47Z)
• An Empirical Bayes Analysis of Object Trajectory Representation Models [3.683202928838613]
  本稿では,物体軌道のモデル化におけるモデル複雑性と適合誤差のトレードオフについて,詳細な実験的検討を行った。 この結果から, 線形モデルは高忠実度な実世界の軌道を表現し, 非常に適度なモデル複雑性を示すことがわかった。
  論文  参考訳（メタデータ） (2022-11-03T10:39:41Z)
• IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence Car-Following Trajectory Prediction [24.94160059351764]
  ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。 2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。 シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-20T02:24:27Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
  ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。 我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。 提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-03-05T11:35:27Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
  本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。 この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。 また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-12T15:51:01Z)

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。