論文の概要: Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision

• arxiv url: http://arxiv.org/abs/2306.03367v1
• Date: Tue, 6 Jun 2023 02:46:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 17:31:35.408837
• Title: Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision
• Title（参考訳）: 自己スーパービジョンによるマルチステップとワンショット軌道予測のギャップを埋める
• Authors: Faris Janjo\v{s}, Max Keller, Maxim Dolgov, J. Marius Z\"ollner
• Abstract要約: 正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
• 参考スコア（独自算出の注目度）: 2.365702128814616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate vehicle trajectory prediction is an unsolved problem in autonomous driving with various open research questions. State-of-the-art approaches regress trajectories either in a one-shot or step-wise manner. Although one-shot approaches are usually preferred for their simplicity, they relinquish powerful self-supervision schemes that can be constructed by chaining multiple time-steps. We address this issue by proposing a middle-ground where multiple trajectory segments are chained together. Our proposed Multi-Branch Self-Supervised Predictor receives additional training on new predictions starting at intermediate future segments. In addition, the model 'imagines' the latent context and 'predicts the past' while combining multi-modal trajectories in a tree-like manner. We deliberately keep aspects such as interaction and environment modeling simplistic and nevertheless achieve competitive results on the INTERACTION dataset. Furthermore, we investigate the sparsely explored uncertainty estimation of deterministic predictors. We find positive correlations between the prediction error and two proposed metrics, which might pave way for determining prediction confidence.
• Abstract（参考訳）: 正確な車両軌道予測は、様々な研究課題を伴う自動運転における未解決問題である。 State-of-the-art approach regress trajectoriesをワンショットまたはステップワイズにアプローチする。 ワンショットアプローチは通常、単純さのために好まれるが、複数の時間ステップをチェーンすることで構築できる強力な自己超越スキームを放棄する。 この問題に対処するために、複数の軌道セグメントが連鎖した中間層を提案する。 提案するマルチブランチ自己監視予測器は,中間セグメントから始まる新しい予測のトレーニングを受ける。 さらに、モデルが潜在文脈を「想像」し、「過去を予測」し、木のような方法でマルチモーダル軌道を結合する。 インタラクションや環境モデリングといった側面を意図的に保持すると同時に,インタラクションデータセット上での競合的な結果も達成します。 さらに,決定論的予測器の不確実性評価について検討した。 予測誤差と2つの提案指標との間には正の相関関係がみられ,予測信頼度を決定する方法が考えられる。

関連論文リスト

• Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction [9.385936248154987]
  軌道予測は、未来の軌道を予測するために、交通機関の不確定の性質をモデル化する重要なタスクである。 SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。 提案手法では,経路点の空間的領域にまたがる過去の観測軌跡の,クリーンでノイズを増進したビューを作成する。
  論文  参考訳（メタデータ） (2023-11-26T19:03:41Z)
• Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction [27.614778027454417]
  本稿では,車線情報を用いてエージェント間の将来の関係を予測する手法を提案する。 エージェントの粗い将来の動きを得るため,まず車線レベルのウェイポイント占有確率を予測した。 次に,各エージェントペアに対して隣接車線を通過させる時間的確率を利用して,隣接車線を通過するエージェントが高度に相互作用すると仮定する。
  論文  参考訳（メタデータ） (2023-05-24T04:33:28Z)
• Multimodal Trajectory Prediction: A Survey [13.519480642785561]
  軌道予測は、自律システムにおける安全かつインテリジェントな行動を支援するための重要なタスクである。 MTP(Multimodal trajectory Prediction)と呼ばれる新しいタスクは、各エージェントに対する将来の予測の多様で許容可能かつ説明可能な分布を生成することを目的としている。
  論文  参考訳（メタデータ） (2023-02-21T06:11:08Z)
• Improving Diversity of Multiple Trajectory Prediction based on Map-adaptive Lane Loss [12.963269946571476]
  本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。 Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-06-17T09:09:51Z)
• 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)
• 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)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)
• 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。