論文の概要: A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field

• arxiv url: http://arxiv.org/abs/2309.10948v1
• Date: Tue, 19 Sep 2023 22:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 13:27:27.219477
• Title: A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field
• Title（参考訳）: 速度ベクトル場を用いた自動車の軌道予測のための新しいディープニューラルネットワーク
• Authors: MReza Alipour Sormoli, Amir Samadi, Sajjad Mozaffari, Konstantinos Koufos, Mehrdad Dianati and Roger Woodman
• Abstract要約: 本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。 精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
• 参考スコア（独自算出の注目度）: 12.067838086415833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anticipating the motion of other road users is crucial for automated driving systems (ADS), as it enables safe and informed downstream decision-making and motion planning. Unfortunately, contemporary learning-based approaches for motion prediction exhibit significant performance degradation as the prediction horizon increases or the observation window decreases. This paper proposes a novel technique for trajectory prediction that combines a data-driven learning-based method with a velocity vector field (VVF) generated from a nature-inspired concept, i.e., fluid flow dynamics. In this work, the vector field is incorporated as an additional input to a convolutional-recurrent deep neural network to help predict the most likely future trajectories given a sequence of bird's eye view scene representations. The performance of the proposed model is compared with state-of-the-art methods on the HighD dataset demonstrating that the VVF inclusion improves the prediction accuracy for both short and long-term (5~sec) time horizons. It is also shown that the accuracy remains consistent with decreasing observation windows which alleviates the requirement of a long history of past observations for accurate trajectory prediction. Source codes are available at: https://github.com/Amir-Samadi/VVF-TP.
• Abstract（参考訳）: 他の道路利用者の行動を予測することは、安全でインフォームドな下流意思決定と行動計画を可能にするため、自動運転システム(ads)にとって不可欠である。 残念なことに、現代の学習に基づく動き予測のアプローチは、予測水平線が増加するか観測窓が減少するにつれて顕著な性能劣化を示す。 本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念である流体力学から発生する速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。 この研究において、ベクトル場は畳み込みを繰り返す深層ニューラルネットワークへの追加入力として組み込まれ、鳥の視線シーンのシーケンスが与えられたときの最も可能性の高い将来の軌跡を予測するのに役立つ。 提案モデルの性能は,vvf包含が短期的および長期的(5～sec)の時間軸の予測精度を向上させることを示すハイドデータセットの最先端手法と比較した。 また, 正確な軌道予測のために過去の観測履歴の長期的要求を緩和する観測窓の減少と精度が一致していることが示されている。 ソースコードはhttps://github.com/Amir-Samadi/VVF-TPで入手できる。

関連論文リスト

• GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
  車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。 GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。 我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
  論文  参考訳（メタデータ） (2024-04-09T05:51:40Z)
• OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment [0.0]
  環境中の全ての動的オブジェクトの将来の挙動を予測するために,エンド・ツー・エンドのニューラルネットワーク手法を提案する。 本稿では, 終点誤差の大幅な低減を図った新しい時間重み付きモーションフロー損失を提案する。
  論文  参考訳（メタデータ） (2024-04-02T19:37:58Z)
• 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)
• 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)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• 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)

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。