Fugu-MT 論文翻訳(概要): TSGN: Temporal Scene Graph Neural Networks with Projected Vectorized Representation for Multi-Agent Motion Prediction

論文の概要: TSGN: Temporal Scene Graph Neural Networks with Projected Vectorized Representation for Multi-Agent Motion Prediction

arxiv url: http://arxiv.org/abs/2305.08190v1
Date: Sun, 14 May 2023 15:58:55 GMT
ステータス: 処理完了
システム内更新日: 2023-05-16 17:06:30.553030
Title: TSGN: Temporal Scene Graph Neural Networks with Projected Vectorized Representation for Multi-Agent Motion Prediction
Title（参考訳）: tsgn: 多エージェント動作予測のための投影ベクトル表現付きテンポラルシーングラフニューラルネットワーク
Authors: Yunong Wu, Thomas Gilles, Bogdan Stanciulescu, Fabien Moutarde
Abstract要約: TSGNは、全てのエージェントに対するマルチモーダルな将来の軌跡を、妥当かつ正確に同時に予測することができる。エージェントと道路ネットワーク間の相互作用を捉える階層型レーン変換器を提案する。実験により、TSGNはArgoverse運動予測ベンチマーで最先端のパフォーマンスを達成することが示された。
参考スコア（独自算出の注目度）: 2.5780349894383807
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting future motions of nearby agents is essential for an autonomous vehicle to take safe and effective actions. In this paper, we propose TSGN, a framework using Temporal Scene Graph Neural Networks with projected vectorized representations for multi-agent trajectory prediction. Projected vectorized representation models the traffic scene as a graph which is constructed by a set of vectors. These vectors represent agents, road network, and their spatial relative relationships. All relative features under this representation are both translationand rotation-invariant. Based on this representation, TSGN captures the spatial-temporal features across agents, road network, interactions among them, and temporal dependencies of temporal traffic scenes. TSGN can predict multimodal future trajectories for all agents simultaneously, plausibly, and accurately. Meanwhile, we propose a Hierarchical Lane Transformer for capturing interactions between agents and road network, which filters the surrounding road network and only keeps the most probable lane segments which could have an impact on the future behavior of the target agent. Without sacrificing the prediction performance, this greatly reduces the computational burden. Experiments show TSGN achieves state-of-the-art performance on the Argoverse motion forecasting benchmar.
Abstract（参考訳）: 近くのエージェントの将来の動きを予測することは、自動運転車が安全かつ効果的な行動を取るために不可欠である。本稿では,マルチエージェント軌道予測のためのベクトル表現を投影したテンポラルシーングラフニューラルネットワークを用いたフレームワークTSGNを提案する。投影ベクトル化表現は、トラフィックシーンをベクトルの集合によって構築されたグラフとしてモデル化する。これらのベクトルはエージェント、道路ネットワーク、およびそれらの空間的相対関係を表す。この表現のすべての相対的特徴は、変換と回転不変である。この表現に基づいて、TSGNはエージェント、道路ネットワーク、それら間の相互作用、時間的トラフィックシーンの時間的依存関係をキャプチャする。 TSGNは、全てのエージェントに対するマルチモーダルな将来の軌跡を、妥当かつ正確に同時に予測することができる。一方,エージェントと道路ネットワーク間の相互作用を捕捉する階層型レーントランスを提案する。これは周囲の道路ネットワークをフィルタし,対象エージェントの将来の行動に影響を与える可能性のある最も確率の高いレーンセグメントのみを保持する。予測性能を犠牲にすることなく、計算負担を大幅に削減する。実験により、TSGNはArgoverse運動予測ベンチマーで最先端のパフォーマンスを達成することが示された。

関連論文リスト

SocialFormer: Social Interaction Modeling with Edge-enhanced Heterogeneous Graph Transformers for Trajectory Prediction [3.733790302392792]
SocialFormerはエージェント間相互作用を意識した軌道予測手法である。本稿では,エージェント動作の時間的社会的挙動をモデル化するために,ゲートリカレント単位(GRU)に基づくテンポラルエンコーダを提案する。一般的なnuScenesベンチマークの軌道予測タスクとしてSocialFormerを評価し,最先端の性能を実現する。
論文参考訳（メタデータ） (2024-05-06T19:47:23Z)
AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文参考訳（メタデータ） (2024-03-20T06:22:37Z)
GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文参考訳（メタデータ） (2022-11-04T16:10:50Z)
D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文参考訳（メタデータ） (2022-07-21T10:19:07Z)
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)
Spatial-Channel Transformer Network for Trajectory Prediction on the Traffic Scenes [2.7955111755177695]
本稿では,注意機能付き軌道予測のための空間チャネル変換器ネットワークを提案する。エージェント間の社会的相互作用を測定するために、チャネルワイズモジュールが挿入される。このネットワークは,交通現場における実世界の軌道予測データセットにおいて,有望な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-01-27T15:03:42Z)
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)
AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文参考訳（メタデータ） (2020-06-15T10:00:07Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。