論文の概要: GAME-UP: Game-Aware Mode Enumeration and Understanding for Trajectory
Prediction
- arxiv url: http://arxiv.org/abs/2305.17600v1
- Date: Sun, 28 May 2023 00:41:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 17:56:53.981983
- Title: GAME-UP: Game-Aware Mode Enumeration and Understanding for Trajectory
Prediction
- Title(参考訳): ゲームアップ: 軌道予測のためのゲームアウェアモード列挙と理解
- Authors: Justin Lidard, Oswin So, Yanxia Zhang, Jonathan DeCastro, Xiongyi Cui,
Xin Huang, Yen-Ling Kuo, John Leonard, Avinash Balachandran, Naomi Leonard,
Guy Rosman
- Abstract要約: GAME-UPは,ゲーム理論の逆強化学習を活用し,マルチモーダル予測のカバレッジを向上させるための軌道予測フレームワークである。
実験結果から,予測器の精度はベースラインモデルに比べて2倍に向上した。
- 参考スコア(独自算出の注目度): 8.49944348096291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactions between road agents present a significant challenge in
trajectory prediction, especially in cases involving multiple agents. Because
existing diversity-aware predictors do not account for the interactive nature
of multi-agent predictions, they may miss these important interaction outcomes.
In this paper, we propose GAME-UP, a framework for trajectory prediction that
leverages game-theoretic inverse reinforcement learning to improve coverage of
multi-modal predictions. We use a training-time game-theoretic numerical
analysis as an auxiliary loss resulting in improved coverage and accuracy
without presuming a taxonomy of actions for the agents. We demonstrate our
approach on the interactive subset of Waymo Open Motion Dataset, including
three subsets involving scenarios with high interaction complexity. Experiment
results show that our predictor produces accurate predictions while covering
twice as many possible interactions versus a baseline model.
- Abstract(参考訳): 道路エージェント間の相互作用は、特に複数のエージェントを含む場合において、軌道予測において重要な課題となる。
既存の多様性を考慮した予測器はマルチエージェント予測のインタラクティブな性質を考慮しないため、これらの重要な相互作用の結果を見逃す可能性がある。
本稿では,ゲーム理論の逆強化学習を活用し,マルチモーダル予測のカバレッジを向上させるための軌道予測フレームワークであるGAME-UPを提案する。
我々は,エージェントの行動の分類を仮定することなく,学習時間ゲーム理論の数値解析を補助的損失として使用し,カバレッジと精度を改善した。
Waymo Open Motion Datasetのインタラクティブなサブセットに対して,対話性の高いシナリオを含む3つのサブセットを含むアプローチを実証する。
実験の結果、予測器はベースラインモデルに比べて2倍の相互作用をカバーし、正確な予測を行うことがわかった。
関連論文リスト
- MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction [6.110153599741102]
交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。
既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。
本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-04-30T06:21:42Z) - Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。
MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。
時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文 参考訳(メタデータ) (2024-04-25T12:47:47Z) - SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.817322497343503]
トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。
エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。
また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:43:40Z) - A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory
Prediction [4.181632607997678]
深層学習(DL)と強化学習(RL)の階層的ハイブリッドフレームワークを提案する。
DLの段階では、トラフィックシーンは、トランスフォーマースタイルのGNNが異種相互作用を符号化するために採用される複数の中間スケールの異種グラフに分割される。
RLの段階では、DLの段階で予測される重要な将来点を利用して、交通シーンを局所的なサブシーンに分割する。
論文 参考訳(メタデータ) (2023-03-22T02:47:42Z) - ProspectNet: Weighted Conditional Attention for Future Interaction
Modeling in Behavior Prediction [5.520507323174275]
本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。
本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。
ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
論文 参考訳(メタデータ) (2022-08-29T19:29:49Z) - M2I: From Factored Marginal Trajectory Prediction to Interactive
Prediction [26.49897317427192]
既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。
本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。
提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
論文 参考訳(メタデータ) (2022-02-24T03:28:26Z) - 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) - Unlimited Neighborhood Interaction for Heterogeneous Trajectory
Prediction [97.40338982628094]
マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。
具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。
階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
論文 参考訳(メタデータ) (2021-07-31T13:36:04Z) - Online Multi-Agent Forecasting with Interpretable Collaborative Graph
Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。
本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文 参考訳(メタデータ) (2021-07-02T08:20:06Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。