論文の概要: Comparison of Pedestrian Prediction Models from Trajectory and
Appearance Data for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2305.15942v1
- Date: Thu, 25 May 2023 11:24:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 15:37:24.729158
- Title: Comparison of Pedestrian Prediction Models from Trajectory and
Appearance Data for Autonomous Driving
- Title（参考訳）: 自律運転における軌跡からの歩行者予測モデルと外観データの比較
- Authors: Anthony Knittel, Morris Antonello, John Redford and Subramanian
Ramamoorthy
- Abstract要約: 歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。
都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。
本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
- 参考スコア（独自算出の注目度）: 13.126949982768505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to anticipate pedestrian motion changes is a critical capability
for autonomous vehicles. In urban environments, pedestrians may enter the road
area and create a high risk for driving, and it is important to identify these
cases. Typical predictors use the trajectory history to predict future motion,
however in cases of motion initiation, motion in the trajectory may only be
clearly visible after a delay, which can result in the pedestrian has entered
the road area before an accurate prediction can be made. Appearance data
includes useful information such as changes of gait, which are early indicators
of motion changes, and can inform trajectory prediction. This work presents a
comparative evaluation of trajectory-only and appearance-based methods for
pedestrian prediction, and introduces a new dataset experiment for prediction
using appearance. We create two trajectory and image datasets based on the
combination of image and trajectory sequences from the popular NuScenes
dataset, and examine prediction of trajectories using observed appearance to
influence futures. This shows some advantages over trajectory prediction alone,
although problems with the dataset prevent advantages of appearance-based
models from being shown. We describe methods for improving the dataset and
experiment to allow benefits of appearance-based models to be captured.
- Abstract（参考訳）: 歩行者の動きの変化を予測する能力は、自動運転車にとって重要な能力である。
都市環境では、歩行者が道路エリアに入り、運転のリスクが高く、これらのケースを特定することが重要である。
典型的な予測者は、将来の動きを予測するために軌跡履歴を使用するが、運動開始時には、軌跡内の運動は遅延後にのみはっきりと見えるため、正確な予測を行う前に歩行者が道路エリアに入ることがある。
出現データは、初期の動きの変化の指標である歩行の変化などの有用な情報を含み、軌道予測を知らせる。
本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行い,外観予測のための新しいデータセット実験を提案する。
人気のあるnuscenesデータセットから画像と軌跡のシーケンスの組み合わせに基づいて2つの軌跡と画像データセットを作成し、観測された外観を用いて軌跡の予測を行い、未来に影響を与える。
これは軌跡予測のみよりもいくつかの利点を示しているが、データセットの問題により外観に基づくモデルの利点が示されない。
本稿では,データセット改善のための手法と,外観に基づくモデルの利点を捉えるための実験について述べる。
関連論文リスト
- Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。
本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。
本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
論文 参考訳（メタデータ） (2024-10-31T19:42:42Z) - Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis [1.8963583458350768]
本稿では,過去の軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。
階層的密度に基づくクラスタリングと組み合わされた変換器エンコーダを用いて、多様な行動パターンを自動的に識別する。
これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。
論文 参考訳（メタデータ） (2024-08-09T07:24:30Z) - Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。
近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。
本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
論文 参考訳（メタデータ） (2024-01-10T01:50:29Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Action-based Contrastive Learning for Trajectory Prediction [4.675212251005813]
軌道予測は、自律運転など、人間のロボットのインタラクションを成功させる上で不可欠なタスクである。
本研究では,移動カメラを用いたファースト・パーソン・ビュー・セッティングにおける将来の歩行者軌跡予測の問題に対処する。
本稿では,歩行者行動情報を利用して学習軌跡埋め込みを改善する,新たな行動に基づくコントラスト学習損失を提案する。
論文 参考訳（メタデータ） (2022-07-18T15:02:27Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - 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) - PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction
in 3D [10.580548257913843]
nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。
また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-14T18:13:44Z) - AutoTrajectory: Label-free Trajectory Extraction and Prediction from
Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。
動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。
ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文 参考訳（メタデータ） (2020-07-11T08:43:34Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。