論文の概要: Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty

• arxiv url: http://arxiv.org/abs/2305.16620v1
• Date: Fri, 26 May 2023 04:27:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 16:58:08.593292
• Title: Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty
• Title（参考訳）: 検出不確かさ下での深層集合を用いた歩行者軌道予測
• Authors: Anshul Nayak, Azim Eskandarian, Zachary Doerzaph, Prasenjit Ghorai
• Abstract要約: エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
• 参考スコア（独自算出の注目度）: 125.41260574344933
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the fundamental challenges in the prediction of dynamic agents is robustness. Usually, most predictions are deterministic estimates of future states which are over-confident and prone to error. Recently, few works have addressed capturing uncertainty during forecasting of future states. However, these probabilistic estimation methods fail to account for the upstream noise in perception data during tracking. Sensors always have noise and state estimation becomes even more difficult under adverse weather conditions and occlusion. Traditionally, Bayes filters have been used to fuse information from noisy sensors to update states with associated belief. But, they fail to address non-linearities and long-term predictions. Therefore, we propose an end-to-end estimator that can take noisy sensor measurements and make robust future state predictions with uncertainty bounds while simultaneously taking into consideration the upstream perceptual uncertainty. For the current research, we consider an encoder-decoder based deep ensemble network for capturing both perception and predictive uncertainty simultaneously. We compared the current model to other approximate Bayesian inference methods. Overall, deep ensembles provided more robust predictions and the consideration of upstream uncertainty further increased the estimation accuracy for the model.
• Abstract（参考訳）: 動的エージェントの予測における基本的な課題の1つは、堅牢性である。 通常、ほとんどの予測は、自信過剰で誤りやすい将来の状態の決定論的推定である。 近年,将来予測における不確実性に対処する研究はほとんどない。 しかし、これらの確率的推定手法は、追跡中の知覚データの上流ノイズを考慮しない。 センサは常にノイズがあり、悪天候や閉塞下では状態推定がさらに困難になる。 ベイズフィルターは従来、ノイズの多いセンサーからの情報を融合して、関連する状態を更新するために用いられてきた。 しかし、非線形性や長期的な予測には対処できない。 そこで本研究では,不確かさを考慮しつつ,騒音センサの計測とロバストな将来の状態予測を可能にするエンドツーエンド推定器を提案する。 本研究では,認識と予測の不確実性を同時に捉えるエンコーダ・デコーダベースのディープアンサンブルネットワークについて検討する。 本モデルと他の近似ベイズ推定法との比較を行った。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。

関連論文リスト

• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Comparison of Uncertainty Quantification with Deep Learning in Time Series Regression [7.6146285961466]
  本稿では,気象時系列データと異なる不確実性推定手法を比較した。 その結果,各不確実性推定手法が予測タスクに与える影響が示された。
  論文  参考訳（メタデータ） (2022-11-11T14:29:13Z)
• Training Uncertainty-Aware Classifiers with Conformalized Deep Learning [7.837881800517111]
  ディープニューラルネットワークは、データ内の隠れパターンを検出し、それらを活用して予測する強力なツールであるが、不確実性を理解するように設計されていない。 我々は予測力を犠牲にすることなく、より信頼性の高い不確実性推定を導出できる新しいトレーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-05-12T05:08:10Z)
• Recurrent Encoder-Decoder Networks for Vessel Trajectory Prediction with Uncertainty Estimation [10.262354603266639]
  海上監視アプリケーションでは、精度の高い予測の不確実性を確実に定量化することが重要である。 本稿では、再帰型エンコーダデコーダニューラルネットワークの予測方法を検討することにより、トラジェクトリ予測タスクのためのディープラーニングフレームワークを拡張した。 ラベル付き入力データやラベルなし入力データに基づく2つのモデルの予測性能を比較し,不確かさの定量化と精度の向上について述べる。
  論文  参考訳（メタデータ） (2022-05-11T11:01:15Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)

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。