論文の概要: PBP: Path-based Trajectory Prediction for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2309.03750v2
• Date: Sat, 2 Mar 2024 20:54:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 20:30:29.439943
• Title: PBP: Path-based Trajectory Prediction for Autonomous Driving
• Title（参考訳）: PBP:自律走行のための経路に基づく軌道予測
• Authors: Sepideh Afshar, Nachiket Deo, Akshay Bhagat, Titas Chakraborty, Yunming Shao, Balarama Raju Buddharaju, Adwait Deshpande, Henggang Cui
• Abstract要約: 軌道予測は自動運転スタックにおいて重要な役割を果たす。 近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
• 参考スコア（独自算出の注目度）: 3.640190809479174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction plays a crucial role in the autonomous driving stack by enabling autonomous vehicles to anticipate the motion of surrounding agents. Goal-based prediction models have gained traction in recent years for addressing the multimodal nature of future trajectories. Goal-based prediction models simplify multimodal prediction by first predicting 2D goal locations of agents and then predicting trajectories conditioned on each goal. However, a single 2D goal location serves as a weak inductive bias for predicting the whole trajectory, often leading to poor map compliance, i.e., part of the trajectory going off-road or breaking traffic rules. In this paper, we improve upon goal-based prediction by proposing the Path-based prediction (PBP) approach. PBP predicts a discrete probability distribution over reference paths in the HD map using the path features and predicts trajectories in the path-relative Frenet frame. We applied the PBP trajectory decoder on top of the HiVT scene encoder and report results on the Argoverse dataset. Our experiments show that PBP achieves competitive performance on the standard trajectory prediction metrics, while significantly outperforming state-of-the-art baselines in terms of map compliance.
• Abstract（参考訳）: 軌道予測は、自動運転車が周囲のエージェントの動きを予測できるようにすることで、自動運転スタックにおいて重要な役割を果たす。 目標ベースの予測モデルは、将来の軌道のマルチモーダル性に対処するために近年注目を集めている。 ゴールベースの予測モデルは、エージェントの2次元目標位置を最初に予測し、各目標に条件付けられた軌道を予測することで、マルチモーダル予測を単純化する。 しかし、単一の2Dゴール位置は、軌道全体を予測するための弱い帰納バイアスとして機能し、しばしば地図コンプライアンスの貧弱、すなわち軌道の一部がオフロードまたは交通規則を破る原因となる。 本稿では,Path-based prediction(PBP)アプローチを提案することにより,目標に基づく予測を改善する。 pbpは、経路特徴を用いてhdマップ内の参照経路上の離散確率分布を予測し、経路関係フレネットフレームの軌跡を予測する。 我々は,HiVTシーンエンコーダ上にPBPトラジェクトリデコーダを適用し,Argoverseデータセットで結果を報告する。 実験の結果,PBPは標準軌跡予測指標の競争性能を向上する一方で,地図コンプライアンスの点で最先端のベースラインを著しく上回っていることがわかった。

関連論文リスト

• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• An End-to-End Framework of Road User Detection, Tracking, and Prediction from Monocular Images [11.733622044569486]
  我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。 検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。 本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-09T15:46:25Z)
• DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
  DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。 DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
  論文  参考訳（メタデータ） (2021-08-22T05:27:35Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
  PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。 ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。 我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-03-06T04:49:24Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• Map-Adaptive Goal-Based Trajectory Prediction [3.1948816877289263]
  本稿では,多モーダル・長期車両軌道予測のための新しい手法を提案する。 提案手法は,各車両に提案された目標経路の集合を生成するために,環境のリッチマップで捉えた車線中心線を利用することに依存する。 本モデルは,6秒の水平線上での車両軌道予測において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-09T17:57:01Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。