論文の概要: Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2308.07439v2
- Date: Wed, 16 Aug 2023 01:29:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 10:22:33.987504
- Title: Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks
- Title(参考訳): 時間グラフニューラルネットワークを用いた対話型パーソナライズド自動車軌道予測
- Authors: Amr Abdelraouf, Rohit Gupta, Kyungtae Han
- Abstract要約: 既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。
本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
- 参考スコア(独自算出の注目度): 8.209194305630229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of vehicle trajectories is vital for advanced driver
assistance systems and autonomous vehicles. Existing methods mainly rely on
generic trajectory predictions derived from large datasets, overlooking the
personalized driving patterns of individual drivers. To address this gap, we
propose an approach for interaction-aware personalized vehicle trajectory
prediction that incorporates temporal graph neural networks. Our method
utilizes Graph Convolution Networks (GCN) and Long Short-Term Memory (LSTM) to
model the spatio-temporal interactions between target vehicles and their
surrounding traffic. To personalize the predictions, we establish a pipeline
that leverages transfer learning: the model is initially pre-trained on a
large-scale trajectory dataset and then fine-tuned for each driver using their
specific driving data. We employ human-in-the-loop simulation to collect
personalized naturalistic driving trajectories and corresponding surrounding
vehicle trajectories. Experimental results demonstrate the superior performance
of our personalized GCN-LSTM model, particularly for longer prediction
horizons, compared to its generic counterpart. Moreover, the personalized model
outperforms individual models created without pre-training, emphasizing the
significance of pre-training on a large dataset to avoid overfitting. By
incorporating personalization, our approach enhances trajectory prediction
accuracy.
- Abstract(参考訳): 車両軌道の正確な予測は、先進運転支援システムや自動運転車にとって不可欠である。
既存の手法は主に、個々のドライバーのパーソナライズされた運転パターンを見渡すために、大きなデータセットから派生した一般的な軌道予測に依存している。
このギャップに対処するために,時間グラフニューラルネットワークを組み込んだ対話型自動車軌道予測手法を提案する。
本稿では,グラフ畳み込みネットワーク(GCN)とLong Short-Term Memory(LSTM)を用いて,車両とその周辺交通の時空間相互作用をモデル化する。
予測をパーソナライズするために、トランスファー学習を利用するパイプラインを確立する。まず、モデルは大規模な軌道データセットで事前トレーニングされ、その後、それぞれの運転者に特定の運転データを使用して微調整される。
ループ内人間シミュレーションを用いて,パーソナライズされた自然走行軌跡とその周辺車両軌跡を収集する。
実験により, パーソナライズされたGCN-LSTMモデルの性能は, 汎用モデルと比較して, より長い予測地平線に対して優れていることが示された。
さらに、パーソナライズされたモデルは事前トレーニングなしで作成した個々のモデルよりも優れており、オーバーフィッティングを避けるために大規模なデータセットで事前トレーニングを行うことの重要性を強調している。
パーソナライゼーションの導入により, 軌道予測精度が向上する。
関連論文リスト
- Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳(メタデータ) (2023-12-19T12:56:56Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。
この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。
本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-04-19T15:42:03Z) - FollowMe: Vehicle Behaviour Prediction in Autonomous Vehicle Settings [2.294014185517203]
我々は、動きと振舞いの予測問題を提供する新しいデータセット、FollowMeデータセットを紹介した。
本稿では,FollowMe-STGCNNの設計上の利点について述べる。
論文 参考訳(メタデータ) (2023-04-12T19:05:56Z) - 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) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳(メタデータ) (2020-07-23T14:31:25Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳(メタデータ) (2020-05-29T17:57:25Z) - GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory
Prediction [6.12727713172576]
Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。
本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:24:31Z)
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。