論文の概要: Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints
- arxiv url: http://arxiv.org/abs/2309.17338v2
- Date: Sun, 26 Nov 2023 18:53:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 14:24:00.574561
- Title: Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints
- Title(参考訳): ドロップウェイポイントによる動的マルチエージェント環境における軌道予測の改善
- Authors: Pranav Singh Chib, Pravendra Singh
- Abstract要約: 動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
- 参考スコア(独自算出の注目度): 9.385936248154987
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The inherently diverse and uncertain nature of trajectories presents a
formidable challenge in accurately modeling them. Motion prediction systems
must effectively learn spatial and temporal information from the past to
forecast the future trajectories of the agent. Many existing methods learn
temporal motion via separate components within stacked models to capture
temporal features. Furthermore, prediction methods often operate under the
assumption that observed trajectory waypoint sequences are complete,
disregarding scenarios where missing values may occur, which can influence
their performance. Moreover, these models may be biased toward particular
waypoint sequences when making predictions. We propose a novel approach called
Temporal Waypoint Dropping (TWD) that explicitly incorporates temporal
dependencies during the training of a trajectory prediction model. By
stochastically dropping waypoints from past observed trajectories, the model is
forced to learn the underlying temporal representation from the remaining
waypoints, resulting in an improved model. Incorporating stochastic temporal
waypoint dropping into the model learning process significantly enhances its
performance in scenarios with missing values. Experimental results demonstrate
our approach's substantial improvement in trajectory prediction capabilities.
Our approach can complement existing trajectory prediction methods to improve
their prediction accuracy. We evaluate our proposed approach on three datasets:
NBA Sports VU, ETH-UCY, and TrajNet++.
- Abstract(参考訳): 本質的に多様性があり不確実な軌跡の性質は、それらを正確にモデル化する上で非常に難しい課題である。
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を効果的に学習する必要がある。
既存の多くの手法は、時間的特徴を捉えるために、積み重ねられたモデル内の別々のコンポーネントを通して時間的動きを学ぶ。
さらに、観測された軌道ウェイポイントシーケンスが完了したという仮定の下では、予測手法がしばしば動作し、値が不足するシナリオを無視して、その性能に影響を与える可能性がある。
さらに、これらのモデルは予測を行う際に特定のウェイポイントシーケンスに偏りがある。
軌道予測モデルのトレーニング中に時間依存を明示的に組み込む時間的経路点降下(twd)と呼ばれる新しい手法を提案する。
過去の観測軌道から統計的にウェイポイントを落とすことにより、モデルは残りのウェイポイントから基礎となる時間的表現を学習せざるを得なくなり、モデルが改善される。
確率的時間的ウェイポイントをモデル学習プロセスに組み込むことは、欠落した値のシナリオにおけるパフォーマンスを大幅に向上させる。
実験の結果, 軌道予測能力の大幅な改善が示された。
提案手法は,既存の軌道予測手法を補完し,予測精度を向上させる。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
関連論文リスト
- Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise
Prediction [9.385936248154987]
軌道予測は、未来の軌道を予測するために、交通機関の不確定の性質をモデル化する重要なタスクである。
SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。
提案手法では,経路点の空間的領域にまたがる過去の観測軌跡の,クリーンでノイズを増進したビューを作成する。
論文 参考訳(メタデータ) (2023-11-26T19:03:41Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - 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) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳(メタデータ) (2021-06-10T21:49:23Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳(メタデータ) (2020-12-16T18:47:37Z) - Temporally-Continuous Probabilistic Prediction using Polynomial
Trajectory Parameterization [12.896275507449936]
アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。
このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。
本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
論文 参考訳(メタデータ) (2020-11-01T01:51:44Z) - GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory
Prediction [5.346782918364054]
我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。
従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。
本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
論文 参考訳(メタデータ) (2020-03-16T12:56:12Z)
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。