Fugu-MT 論文翻訳(概要): The 2nd Place Solution for 2023 Waymo Open Sim Agents Challenge

論文の概要: The 2nd Place Solution for 2023 Waymo Open Sim Agents Challenge

arxiv url: http://arxiv.org/abs/2306.15914v1
Date: Wed, 28 Jun 2023 04:33:12 GMT
ステータス: 処理完了
システム内更新日: 2023-06-29 15:56:49.452307
Title: The 2nd Place Solution for 2023 Waymo Open Sim Agents Challenge
Title（参考訳）: 2023年Waymo Open Sim Agents Challengeの第2位
Authors: Cheng Qian, Di Xiu, Minghao Tian
Abstract要約: 本稿では,マルチエージェント動作をシミュレーションする簡易かつ効果的な自己回帰手法を提案する。 MTR+++は2023年のオープン・シム・エージェント・チャレンジ(WOSAC)において、リアリズム・メタ・メトリックの0.4697を達成しました。また、MTR_Eと命名されたMTRに基づく改良モデルも提案されており、スコアは0.4911で、2023年6月25日現在、WOSACのリーダーボードで3位である。
参考スコア（独自算出の注目度）: 8.821526792549648
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this technical report, we present the 2nd place solution of 2023 Waymo Open Sim Agents Challenge (WOSAC)[4]. We propose a simple yet effective autoregressive method for simulating multi-agent behaviors, which is built upon a well-known multimodal motion forecasting framework called Motion Transformer (MTR)[5] with postprocessing algorithms applied. Our submission named MTR+++ achieves 0.4697 on the Realism Meta metric in 2023 WOSAC. Besides, a modified model based on MTR named MTR_E is proposed after the challenge, which has a better score 0.4911 and is ranked the 3rd on the leaderboard of WOSAC as of June 25, 2023.
Abstract（参考訳）: 本稿では,2023年のWaymo Open Sim Agents Challenge(WOSAC)[4]の2位となるソリューションを提示する。本稿では,MTR(Motion Transformer)[5] という,マルチエージェントの動作をシミュレーションするシンプルな自己回帰手法を提案する。我々の提出したMTR+++は2023 WOSACのRealism Metaメトリックで0.4697を達成しています。また、MTR_Eと命名されたMTRに基づく改良モデルも提案されており、スコアは0.4911で、2023年6月25日現在、WOSACのリーダーボードで3位である。

関連論文リスト

Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding [20.289593818360938]
Lifelong Multi-Agent Path Finding (LMAPF) はMAPFの変種であり、エージェントは絶えず新しい目標に割り当てられる。近年,この分野は個別の局所観測に基づいて,一段階の動作を反応的に生成する学習的手法を取り入れている。本研究は,新しい通信モジュールと系統的な単一ステップ衝突分解とグローバルガイダンス技術を導入した模倣学習に基づくLMAPFソルバを提案する。
論文参考訳（メタデータ） (2024-10-28T18:13:15Z)
Promptable Closed-loop Traffic Simulation [57.36568236100507]
ProSimはマルチモーダルプロンプト可能なクローズドループトラフィックシミュレーションフレームワークである。 ProSimはクローズドループ方式でトラフィックシナリオをロールアウトし、各エージェントと他のトラフィック参加者とのインタラクションをモデル化する。高速な交通シミュレーションの研究を支援するため,マルチモーダル・プロンプト・インストラクト・520k(ProSim-Instruct-520k)を開発した。
論文参考訳（メタデータ） (2024-09-09T17:59:15Z)
TrafficBots V1.5: Traffic Simulation via Conditional VAEs and Transformers with Relative Pose Encoding [59.339735703856924]
TrafficBots V1.5は、トラフィックエージェントのクローズドループシミュレーションのベースライン手法である。オープン・シム・エージェント・チャレンジ(WOSAC)2024で3位を獲得した。
論文参考訳（メタデータ） (2024-06-16T11:20:49Z)
NMS Threshold matters for Ego4D Moment Queries -- 2nd place solution to the Ego4D Moment Queries Challenge 2023 [8.674624972031387]
本報告では,Ego4D Moment Queries Challenge 2023について述べる。私たちの提案では、時間的アクションローカライゼーションの最新のメソッドであるActionFormerを拡張しています。私たちのソリューションは、平均mAPが26.62%、テストセットがtIoU=0.5で45.69%のRecall@1xで公開リーダボードで2位にランクされ、2023年の挑戦から強いベースラインをはるかに上回っている。
論文参考訳（メタデータ） (2023-07-05T05:23:49Z)
Multiverse Transformer: 1st Place Solution for Waymo Open Sim Agents Challenge 2023 [3.4520774137890555]
本報告では,オープン・シム・エージェント・チャレンジ(WOSAC)2023における第1位のソリューションについて述べる。提案するMultiVerse Transformer for Agent Simulation (MVTA)は,トランスフォーマーに基づく動作予測手法を効果的に活用する。本研究では,高度なリアリズムを持つシミュレーションを作成するために,新しいトレーニング手法とサンプリング手法を設計する。
論文参考訳（メタデータ） (2023-06-20T20:01:07Z)
The Waymo Open Sim Agents Challenge [37.69742145084953]
オープンシムエージェントチャレンジ(WOSAC)について紹介する。この課題の目標は、自律運転のための行動モデルの評価と訓練に使用できる現実的なシミュレータの設計を刺激することである。本研究は,様々なベースラインシミュレーション手法の結果を提示し,2023年大会へのいくつかの提案を解析する。
論文参考訳（メタデータ） (2023-05-19T23:12:08Z)
MER 2023: Multi-label Learning, Modality Robustness, and Semi-Supervised Learning [90.17500229142755]
第1回マルチモーダル感情認識チャレンジ(MER 2023)は、ACMマルチメディアで成功した。本稿では、この課題の背景にある動機を紹介し、ベンチマークデータセットを説明し、参加者に関する統計情報を提供する。この高品質なデータセットは、特に中国の研究コミュニティにとって、マルチモーダルな感情認識の新しいベンチマークになり得ると考えています。
論文参考訳（メタデータ） (2023-04-18T13:23:42Z)
MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge -- Motion Prediction [103.75625476231401]
本稿では,複数モーダル動作予測のための新しいモーショントランスフォーマーフレームワークを提案する。非最大圧縮による単純なモデルアンサンブル戦略を採用し、最終的な性能をさらに向上させる。当社のアプローチは,2022年のオープンデータセットチャレンジにおける行動予測のリーダーボード上での1位を達成し,他の手法よりも優れたマージンを達成している。
論文参考訳（メタデータ） (2022-09-20T23:03:22Z)
EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
論文参考訳（メタデータ） (2022-06-19T04:49:35Z)
USACv20: robust essential, fundamental and homography matrix estimation [68.65610177368617]
最新のRANSACのような仮説と検証の堅牢な推定器をレビューします。最高のパフォーマンスは、Universal Sample Consensus (USAC)アルゴリズムの最先端バージョンを作成するために組み合わせられる。提案手法であるUSACv20は、公開された8つの実世界のデータセットでテストされる。
論文参考訳（メタデータ） (2021-04-11T16:27:02Z)

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。