論文の概要: A Fast and Map-Free Model for Trajectory Prediction in Traffics
- arxiv url: http://arxiv.org/abs/2307.09831v1
- Date: Wed, 19 Jul 2023 08:36:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 14:46:14.063181
- Title: A Fast and Map-Free Model for Trajectory Prediction in Traffics
- Title（参考訳）: 交通の軌跡予測のための高速かつ地図のないモデル
- Authors: Junhong Xiang, Jingmin Zhang and Zhixiong Nan
- Abstract要約: 本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。
注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。
提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
- 参考スコア（独自算出の注目度）: 2.435517936694533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To handle the two shortcomings of existing methods, (i)nearly all models rely
on high-definition (HD) maps, yet the map information is not always available
in real traffic scenes and HD map-building is expensive and time-consuming and
(ii) existing models usually focus on improving prediction accuracy at the
expense of reducing computing efficiency, yet the efficiency is crucial for
various real applications, this paper proposes an efficient trajectory
prediction model that is not dependent on traffic maps. The core idea of our
model is encoding single-agent's spatial-temporal information in the first
stage and exploring multi-agents' spatial-temporal interactions in the second
stage. By comprehensively utilizing attention mechanism, LSTM, graph
convolution network and temporal transformer in the two stages, our model is
able to learn rich dynamic and interaction information of all agents. Our model
achieves the highest performance when comparing with existing map-free methods
and also exceeds most map-based state-of-the-art methods on the Argoverse
dataset. In addition, our model also exhibits a faster inference speed than the
baseline methods.
- Abstract（参考訳）: 既存の方法の2つの欠点に対処する。
(i)ほぼすべてのモデルがhdマップに依存しているが、地図情報は実際のトラフィックシーンで常に利用可能ではなく、hdマップ構築は高価で時間がかかる。
(ii)既存のモデルは、計算効率を犠牲にして予測精度の向上に重点を置いているが、実際の様々なアプリケーションでは効率が重要であり、交通地図に依存しない効率的な軌道予測モデルを提案する。
本モデルの中核となる考え方は,一エージェントの空間-時間情報の符号化と,複数エージェントの空間-時間間相互作用の探索である。
この2つの段階における注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を総合的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。
提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
さらに,本モデルでは,ベースライン法よりも高速な推論速度を示す。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - Efficient Baselines for Motion Prediction in Autonomous Driving [7.608073471097835]
複数の周辺エージェントの運動予測(MP)は、任意に複雑な環境において重要な課題である。
注意機構やGNNを含むMPのためのSOTA(State-Of-The-Art)技術を用いて,コンパクトなモデルを開発することを目指している。
論文 参考訳（メタデータ） (2023-09-06T22:18:16Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳（メタデータ） (2023-06-14T17:07:51Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow
Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。
提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2022-12-08T20:24:59Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Exploring Map-based Features for Efficient Attention-based Vehicle
Motion Prediction [3.222802562733787]
複数のエージェントの動作予測は、任意に複雑な環境において重要なタスクである。
本稿では,効率的な注意モデルを用いてArgoverse 1.0ベンチマークで競合性能を実現する方法を示す。
論文 参考訳（メタデータ） (2022-05-25T22:38:11Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - Multi View Spatial-Temporal Model for Travel Time Estimation [14.591364075326984]
時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。
具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。
大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
論文 参考訳（メタデータ） (2021-09-15T16:11:18Z) - GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory
Prediction [5.346782918364054]
我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。
従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。
本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
論文 参考訳（メタデータ） (2020-03-16T12:56:12Z)
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。