論文の概要: ADAPT: Efficient Multi-Agent Trajectory Prediction with Adaptation

• arxiv url: http://arxiv.org/abs/2307.14187v1
• Date: Wed, 26 Jul 2023 13:41:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 12:19:02.071396
• Title: ADAPT: Efficient Multi-Agent Trajectory Prediction with Adaptation
• Title（参考訳）: adapt:適応による効率的なマルチエージェント軌道予測
• Authors: G\"orkay Aydemir, Adil Kaan Akan, Fatma G\"uney
• Abstract要約: ADAPTはダイナミックウェイトラーニングによってシーン内の全てのエージェントの軌道を共同で予測するための新しいアプローチである。 提案手法は, 単一エージェントと複数エージェントの設定において, 最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting future trajectories of agents in complex traffic scenes requires reliable and efficient predictions for all agents in the scene. However, existing methods for trajectory prediction are either inefficient or sacrifice accuracy. To address this challenge, we propose ADAPT, a novel approach for jointly predicting the trajectories of all agents in the scene with dynamic weight learning. Our approach outperforms state-of-the-art methods in both single-agent and multi-agent settings on the Argoverse and Interaction datasets, with a fraction of their computational overhead. We attribute the improvement in our performance: first, to the adaptive head augmenting the model capacity without increasing the model size; second, to our design choices in the endpoint-conditioned prediction, reinforced by gradient stopping. Our analyses show that ADAPT can focus on each agent with adaptive prediction, allowing for accurate predictions efficiently. https://KUIS-AI.github.io/adapt
• Abstract（参考訳）: 複雑な交通シーンにおけるエージェントの将来の軌道を予測するには、シーン内のすべてのエージェントの信頼性と効率のよい予測が必要である。 しかし、既存の軌道予測手法は非効率か犠牲の精度である。 この課題に対処するために,動的重み学習を用いて現場の全てのエージェントの軌跡を共同で予測する新しいアプローチであるADAPTを提案する。 提案手法は,ArgoverseおよびInteractionデータセットの単一エージェントおよび複数エージェント設定において,計算オーバーヘッドのごく一部で,最先端の手法よりも優れている。 第1に,モデルサイズを増加させずにモデルのキャパシティを増強する適応ヘッド,第2に,勾配停止によって強化されたエンドポイント条件付き予測における設計選択を特徴とする。 解析の結果,ADAPTは適応予測により各エージェントに焦点を絞ることができることがわかった。 https://KUIS-AI.github.io/adapt

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Multi-Agent Trajectory Prediction with Difficulty-Guided Feature Enhancement Network [1.5888246742280365]
  軌道予測は、交通参加者の将来の動きを予測することを目的として、自動運転に不可欠である。 伝統的な方法は通常、エージェントの軌道に関する全体論的推論を行い、エージェント間の難易度の違いを無視する。 本稿では,エージェント間の予測難易度差を利用した,DGFNet(DifficultyGuided Feature Enhancement)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T07:04:30Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• 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)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• SmartRefine: A Scenario-Adaptive Refinement Framework for Efficient Motion Prediction [37.461695201579914]
  我々は,最小限の計算量で予測を洗練するために,SmartRefineというシナリオ適応型改良戦略を導入する。 SmartRefineは汎用的で柔軟なアプローチとして設計されており、ほとんどの最先端のモーション予測モデルにシームレスに統合することができる。 QCNetにSmartRefineを追加することで、提出時にArgoverse 2のリーダーボード(シングルエージェントトラック)で、すべてのアンサンブルフリーの作品をパフォーマンスします。
  論文  参考訳（メタデータ） (2024-03-18T05:53:20Z)
• QCNeXt: A Next-Generation Framework For Joint Multi-Agent Trajectory Prediction [5.312631388611489]
  路上エージェントの将来の軌跡の同時分布を推定することは自動運転に不可欠である。 本稿では,QCNeXtと呼ばれるマルチエージェント軌道予測のための次世代フレームワークを提案する。 提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで1位である。
  論文  参考訳（メタデータ） (2023-06-18T09:40:40Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• 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)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)

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。