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
- Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。
近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。
本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
論文 参考訳(メタデータ) (2024-01-10T01:50:29Z) - 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) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - 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) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳(メタデータ) (2022-03-17T12:52:23Z) - 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) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - 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) - 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。