論文の概要: CASPNet++: Joint Multi-Agent Motion Prediction
- arxiv url: http://arxiv.org/abs/2308.07751v1
- Date: Tue, 15 Aug 2023 13:09:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:50:08.251204
- Title: CASPNet++: Joint Multi-Agent Motion Prediction
- Title（参考訳）: CASPNet++: 共同マルチエージェントモーション予測
- Authors: Maximilian Sch\"afer, Kun Zhao and Anton Kummert
- Abstract要約: 改善されたコンテキスト認識シーン予測ネットワーク(ASPNet)であるCASPNet++を提案する。
本研究では,現場における道路利用者の協調予測を支援するために,インタラクションモデリングとシーン理解をさらに強化することに焦点を当てる。
我々は,HDマップ,レーダ検出,ライダーセグメンテーションなどの多様な環境入力源を利用するCASPNet++のスケーラビリティを実証する。
- 参考スコア（独自算出の注目度）: 2.041875623674907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prediction of road users' future motion is a critical task in supporting
advanced driver-assistance systems (ADAS). It plays an even more crucial role
for autonomous driving (AD) in enabling the planning and execution of safe
driving maneuvers. Based on our previous work, Context-Aware Scene Prediction
Network (CASPNet), an improved system, CASPNet++, is proposed. In this work, we
focus on further enhancing the interaction modeling and scene understanding to
support the joint prediction of all road users in a scene using spatiotemporal
grids to model future occupancy. Moreover, an instance-based output head is
introduced to provide multi-modal trajectories for agents of interest. In
extensive quantitative and qualitative analysis, we demonstrate the scalability
of CASPNet++ in utilizing and fusing diverse environmental input sources such
as HD maps, Radar detection, and Lidar segmentation. Tested on the
urban-focused prediction dataset nuScenes, CASPNet++ reaches state-of-the-art
performance. The model has been deployed in a testing vehicle, running in
real-time with moderate computational resources.
- Abstract（参考訳）: 道路利用者の将来行動予測は、先進的運転支援システム(adas)を支援する上で重要な課題である。
安全な運転操作の計画と実行を可能にする上で、自律運転(AD)においてさらに重要な役割を果たす。
これまでの研究に基づいて,改良されたシステムであるCASPNet++であるContext-Aware Scene Prediction Network (CASPNet)を提案する。
本研究では,時空間格子を用いた道路利用者の協調予測を支援するために,インタラクションモデリングとシーン理解をさらに強化することに焦点を当てた。
さらに、インスタンスベースの出力ヘッドを導入し、関心のあるエージェントにマルチモーダルなトラジェクタを提供する。
本研究では,hdマップ,レーダ検出,ライダーセグメンテーションといった多様な環境入力源を活用し,活用することでcaspnet++のスケーラビリティを実証する。
都市中心の予測データセットnuScenesでテストされたCASPNet++は、最先端のパフォーマンスに達する。
モデルはテスト車両にデプロイされ、適度な計算リソースでリアルタイムで実行される。
関連論文リスト
- Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。
本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。
すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
論文 参考訳（メタデータ） (2023-02-21T18:42:24Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Deep Interactive Motion Prediction and Planning: Playing Games with
Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。
本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文 参考訳（メタデータ） (2022-04-05T17:58:18Z) - Context-Aware Scene Prediction Network (CASPNet) [3.390468002706074]
我々は,新しい畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)に基づくアーキテクチャを用いて,すべての道路利用者の動きを共同で学習し,予測する。
我々の手法は予測ベンチマークで最先端の結果に到達する。
論文 参考訳（メタデータ） (2022-01-18T12:52:01Z) - LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of
Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。
LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。
公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2021-04-01T04:33:36Z) - Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。
我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。
シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文 参考訳（メタデータ） (2021-01-14T22:21:25Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z)
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。