論文の概要: MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

• arxiv url: http://arxiv.org/abs/2306.03083v1
• Date: Mon, 5 Jun 2023 17:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 13:24:42.177254
• Title: MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion
• Title（参考訳）: MotionDiffuser:拡散を用いた制御可能なマルチエージェント動作予測
• Authors: Chiyu Max Jiang, Andre Cornman, Cheolho Park, Ben Sapp, Yin Zhou, Dragomir Anguelov
• Abstract要約: MotionDiffuserは、複数のエージェント上での将来の軌跡の連成分布の拡散に基づく表現である。 そこで本稿では,コスト関数の相違に基づくトラジェクトリサンプリングを可能にする汎用的な制約付きサンプリングフレームワークを提案する。 我々は,Open Motionデータセット上でのマルチエージェント動作予測の最先端結果を得る。
• 参考スコア（独自算出の注目度）: 15.146808801331774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present MotionDiffuser, a diffusion based representation for the joint distribution of future trajectories over multiple agents. Such representation has several key advantages: first, our model learns a highly multimodal distribution that captures diverse future outcomes. Second, the simple predictor design requires only a single L2 loss training objective, and does not depend on trajectory anchors. Third, our model is capable of learning the joint distribution for the motion of multiple agents in a permutation-invariant manner. Furthermore, we utilize a compressed trajectory representation via PCA, which improves model performance and allows for efficient computation of the exact sample log probability. Subsequently, we propose a general constrained sampling framework that enables controlled trajectory sampling based on differentiable cost functions. This strategy enables a host of applications such as enforcing rules and physical priors, or creating tailored simulation scenarios. MotionDiffuser can be combined with existing backbone architectures to achieve top motion forecasting results. We obtain state-of-the-art results for multi-agent motion prediction on the Waymo Open Motion Dataset.
• Abstract（参考訳）: 複数のエージェント上での将来の軌跡の連成分布の拡散に基づく表現であるMotionDiffuserを提案する。 第一に、我々のモデルは、さまざまな将来の成果を捉えた高度にマルチモーダルな分布を学習します。 第二に、単純な予測器の設計は単一のL2損失訓練目標のみを必要とし、軌道アンカーに依存しない。 第3に, 本モデルは, 複数のエージェントの運動に対する結合分布を置換不変な方法で学習することができる。 さらに,PCAによる圧縮軌道表現を用い,モデル性能を改善し,正確なサンプルログ確率の効率的な計算を可能にする。 続いて, 可微分コスト関数に基づく軌道サンプリング制御を実現する, 一般的な制約付きサンプリングフレームワークを提案する。 この戦略により、ルールや物理プライオリティの実施や、カスタマイズされたシミュレーションシナリオの作成など、多数のアプリケーションが可能になる。 MotionDiffuserは既存のバックボーンアーキテクチャと組み合わせてトップモーション予測結果を達成することができる。 Waymo Open Motion Dataset上でのマルチエージェント動作予測の最先端結果を得る。

関連論文リスト

• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
  混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。 このモデルでは、多様な軌道パターンを生成する能力が向上している。 また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• MotionLM: Multi-Agent Motion Forecasting as Language Modeling [15.317827804763699]
  マルチエージェント動作予測のための言語モデルであるMotionLMを提案する。 本手法は,対話的なスコアリングに先立って個々のエージェントの軌道生成を行う,ポストホック相互作用をバイパスする。 モデルの逐次分解は、時間的因果条件のロールアウトを可能にする。
  論文  参考訳（メタデータ） (2023-09-28T15:46:25Z)
• JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for Autonomous Driving [12.460224193998362]
  構造化されたグラフィカルモデルの定式化において,エージェント同士の相互作用を直接学習するエンド・ツー・エンドのトレーニング可能なモデルを提案する。 提案手法は,単エージェントトラジェクタのトラジェクタとトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタの性能を向上する。
  論文  参考訳（メタデータ） (2022-12-16T20:59:21Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• THOMAS: Trajectory Heatmap Output with learned Multi-Agent Sampling [2.424910201171407]
  本稿では,高速かつ同時エージェントによる将来のヒートマップ推定のための統一モデルアーキテクチャを提案する。 シーン一貫性のある予測を生成することは、衝突のない軌道の単なる世代を越えている。 我々は、Interaction Multi-agent Prediction Challengeについて報告し、オンラインテストリーダーボードで1st$をランク付けした。
  論文  参考訳（メタデータ） (2021-10-13T10:05:47Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
  本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。 DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
  論文  参考訳（メタデータ） (2020-11-30T18:23:29Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• 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)

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。