論文の概要: Kinematics-aware Trajectory Generation and Prediction with Latent
Stochastic Differential Modeling
- arxiv url: http://arxiv.org/abs/2309.09317v1
- Date: Sun, 17 Sep 2023 16:06:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 16:10:18.785280
- Title: Kinematics-aware Trajectory Generation and Prediction with Latent
Stochastic Differential Modeling
- Title(参考訳): 潜在確率微分モデルを用いた運動学的軌道生成と予測
- Authors: Ruochen Jiao, Yixuan Wang, Xiangguo Liu, Chao Huang, Qi Zhu
- Abstract要約: 本研究では,新しい潜時運動認識型ニューラルディファレンシャル方程式(SDE)に基づく変分オートエンコーダを開発し,車両の動きを生成する。
実験により,本手法は,現実的で,物理的に実現可能で,正確に制御可能な車両軌道の製作において,ベースラインアプローチを著しく上回っていることが示された。
- 参考スコア(独自算出の注目度): 13.237432430481993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory generation and trajectory prediction are two critical tasks for
autonomous vehicles, which generate various trajectories during development and
predict the trajectories of surrounding vehicles during operation,
respectively. However, despite significant advances in improving their
performance, it remains a challenging problem to ensure that the
generated/predicted trajectories are realistic, explainable, and physically
feasible. Existing model-based methods provide explainable results, but are
constrained by predefined model structures, limiting their capabilities to
address complex scenarios. Conversely, existing deep learning-based methods
have shown great promise in learning various traffic scenarios and improving
overall performance, but they often act as opaque black boxes and lack
explainability. In this work, we integrate kinematic knowledge with neural
stochastic differential equations (SDE) and develop a variational autoencoder
based on a novel latent kinematics-aware SDE (LK-SDE) to generate vehicle
motions. Our approach combines the advantages of both model-based and deep
learning-based techniques. Experimental results demonstrate that our method
significantly outperforms baseline approaches in producing realistic,
physically-feasible, and precisely-controllable vehicle trajectories,
benefiting both generation and prediction tasks.
- Abstract(参考訳): 軌道生成と軌道予測は、開発中に様々な軌道を生成し、運用中の周辺車両の軌道を予測する、自律走行車両にとって2つの重要なタスクである。
しかしながら、性能向上の著しい進展にもかかわらず、生成/予測された軌道が現実的、説明可能、物理的に実現可能であることを保証することは依然として困難な問題である。
既存のモデルベースメソッドは、説明可能な結果を提供するが、事前定義されたモデル構造によって制約され、複雑なシナリオに対処する能力を制限する。
逆に、既存のディープラーニングベースの手法は、さまざまなトラフィックシナリオを学習し、全体的なパフォーマンスを改善する上で大きな可能性を秘めている。
本研究では,ニューラル確率微分方程式(SDE)とキネマティック知識を統合し,新しい潜在キネマティックス対応SDE(LK-SDE)に基づく変分オートエンコーダを開発した。
私たちのアプローチは、モデルベースとディープラーニングベースの両方の利点を組み合わせています。
実験の結果,本手法は,現実的かつ物理的に実現可能であり,正確に制御可能な車両軌道を生成する上でのベースラインアプローチを著しく上回っており,生成と予測の双方に有益であることがわかった。
関連論文リスト
- RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - Evaluation of Differentially Constrained Motion Models for Graph-Based
Trajectory Prediction [1.1947990549568765]
本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。
この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
論文 参考訳(メタデータ) (2023-04-11T10:15:20Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - TrajGen: Generating Realistic and Diverse Trajectories with Reactive and
Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。
そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。
また,データ駆動型シミュレータI-Simを開発した。
論文 参考訳(メタデータ) (2022-03-31T04:48:29Z) - TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator
and Predictor [3.6955256596550137]
軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。
本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。
我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
論文 参考訳(メタデータ) (2022-03-02T17:37:44Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - A Probabilistic Framework for Imitating Human Race Driver Behavior [31.524303667746643]
本稿では,運転行動モデリングのタスクを複数のモジュールに分割するモジュラーフレームワークProMoDを提案する。
確率的運動プリミティブを用いて大域的目標軌道分布を学習し、局所経路生成にウエイドを使用し、ニューラルネットワークにより対応する行動選択を行う。
シミュレーションカーレースセッティングの実験は、他の模倣学習アルゴリズムと比較して、模倣精度とロバスト性にかなりの利点がある。
論文 参考訳(メタデータ) (2020-01-22T20:06:38Z)
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。