論文の概要: Fast Inference and Update of Probabilistic Density Estimation on Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2308.08824v1
• Date: Thu, 17 Aug 2023 07:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 17:34:18.009405
• Title: Fast Inference and Update of Probabilistic Density Estimation on Trajectory Prediction
• Title（参考訳）: 軌道予測における確率密度推定の高速化と更新
• Authors: Takahiro Maeda and Norimichi Ukita
• Abstract要約: 自動運転車や社会ロボットのような安全クリティカルな応用には、高速な計算と正確な確率密度推定が必要である。 本稿では,フローチェインという新しい正規化フローベース軌道予測モデルを提案する。 FlowChainは、カーネル密度推定のような追加の近似を必要とする生成モデルよりも高速である。
• 参考スコア（独自算出の注目度）: 19.240717471864723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safety-critical applications such as autonomous vehicles and social robots require fast computation and accurate probability density estimation on trajectory prediction. To address both requirements, this paper presents a new normalizing flow-based trajectory prediction model named FlowChain. FlowChain is a stack of conditional continuously-indexed flows (CIFs) that are expressive and allow analytical probability density computation. This analytical computation is faster than the generative models that need additional approximations such as kernel density estimation. Moreover, FlowChain is more accurate than the Gaussian mixture-based models due to fewer assumptions on the estimated density. FlowChain also allows a rapid update of estimated probability densities. This update is achieved by adopting the \textit{newest observed position} and reusing the flow transformations and its log-det-jacobians that represent the \textit{motion trend}. This update is completed in less than one millisecond because this reuse greatly omits the computational cost. Experimental results showed our FlowChain achieved state-of-the-art trajectory prediction accuracy compared to previous methods. Furthermore, our FlowChain demonstrated superiority in the accuracy and speed of density estimation. Our code is available at \url{https://github.com/meaten/FlowChain-ICCV2023}
• Abstract（参考訳）: 自動運転車やソーシャルロボットのような安全クリティカルな応用には、軌道予測の高速計算と正確な確率密度推定が必要である。 両要求に対処するために,FlowChain という新しい正規化フローベース軌道予測モデルを提案する。 FlowChainは条件付き連続インデックスフロー(CIF)のスタックであり、表現力があり、解析的確率密度計算を可能にする。 この解析計算は、核密度推定のような追加の近似を必要とする生成モデルよりも高速である。 さらに、FlowChainは推定密度の仮定が少ないため、ガウス混合モデルよりも精度が高い。 FlowChainはまた、推定確率密度の迅速な更新を可能にする。 この更新は \textit{newest observed position} を採用し、フロー変換と \textit{motion trend} を表す log-det-jacobian を再利用することで達成される。 この再利用は計算コストを大幅に削減するため、この更新は1ミリ秒足らずで完了する。 実験の結果, 従来の手法と比較して, 最先端の軌道予測精度が得られた。 さらに, フローチェーンは密度推定の精度と速度に優れていた。 私たちのコードは \url{https://github.com/meaten/FlowChain-ICCV2023} で利用可能です。

関連論文リスト

• MemFlow: Optical Flow Estimation and Prediction with Memory [54.22820729477756]
  本稿では,メモリを用いた光フロー推定と予測をリアルタイムに行うMemFlowを提案する。 本手法では,メモリの読み出しと更新を行うモジュールをリアルタイムに収集する。 われわれのアプローチは、過去の観測に基づいて、将来の光流の予測にシームレスに拡張する。
  論文  参考訳（メタデータ） (2024-04-07T04:56:58Z)
• DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
  本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。 拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。 異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
  論文  参考訳（メタデータ） (2024-03-08T14:06:15Z)
• Training normalizing flows with computationally intensive target probability distributions [0.018416014644193065]
  本稿では,REINFORCEアルゴリズムに基づく流れの正規化のための推定器を提案する。 ウォールタイムでは最大10倍高速で、最大30%のメモリを必要とする。
  論文  参考訳（メタデータ） (2023-08-25T10:40:46Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Application of deep learning to large scale riverine flow velocity estimation [1.2093180801186911]
  従来の手法は計算に高価であり、正確な予測には高分解能な河床プロファイル測定(水位測定)が必要である。 ここでは、PCA-DNN(主成分分析ディープニューラルネットワーク)、SE(教師付きエンコーダ)、SVE(教師付き変分エンコーダ)という3つの解法を用いる。 その結果,高速解法は,従来の手法による境界値問題の解法よりもはるかに低い計算コストで,精度良く流速を予測できることがわかった。
  論文  参考訳（メタデータ） (2020-12-04T14:26:33Z)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)
• OT-Flow: Fast and Accurate Continuous Normalizing Flows via Optimal Transport [8.468007443062751]
  正規化フローは任意の確率分布と標準正規分布の間の可逆写像である。 OT-Flowは、より広範なCNFの使用を制限する2つの重要な計算課題に取り組む。 5つの高次元密度推定および生成モデリングタスクにおいて、OT-Flowは最先端CNFと競合して動作する。
  論文  参考訳（メタデータ） (2020-05-29T22:31:10Z)

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。