論文の概要: The WayHome: Long-term Motion Prediction on Dynamically Scaled
- arxiv url: http://arxiv.org/abs/2310.04232v1
- Date: Fri, 6 Oct 2023 13:17:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-09 16:18:00.039830
- Title: The WayHome: Long-term Motion Prediction on Dynamically Scaled
- Title（参考訳）: WayHome:動的スケールによる長期動作予測
- Authors: Kay Scheerer, Thomas Michalke, Juergen Mathes
- Abstract要約: 自動運転車にとって重要な課題の1つは、周囲の環境における他の物体の動きを正確に予測できることである。
我々は、自律走行車近傍のすべての交通参加者に対して、ニューラルネットワークに基づくモデルで複数のヒートマップを予測する。
ヒートマップは、最も将来的な位置に対応する座標を抽出する新しいサンプリングアルゴリズムの入力として使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the key challenges for autonomous vehicles is the ability to
accurately predict the motion of other objects in the surrounding environment,
such as pedestrians or other vehicles. In this contribution, a novel motion
forecasting approach for autonomous vehicles is developed, inspired by the work
of Gilles et al. [1]. We predict multiple heatmaps with a neuralnetwork-based
model for every traffic participant in the vicinity of the autonomous vehicle;
with one heatmap per timestep. The heatmaps are used as input to a novel
sampling algorithm that extracts coordinates corresponding to the most likely
future positions. We experiment with different encoders and decoders, as well
as a comparison of two loss functions. Additionally, a new grid-scaling
technique is introduced, showing further improved performance. Overall, our
approach improves stateof-the-art miss rate performance for the
function-relevant prediction interval of 3 seconds while being competitive in
longer prediction intervals (up to eight seconds). The evaluation is done on
the public 2022 Waymo motion challenge.
- Abstract（参考訳）: 自動運転車の重要な課題の1つは、歩行者などの周囲の環境における他の物体の動きを正確に予測できることだ。
この貢献により、Gilesらの研究に触発されて、自動運転車の新たな動き予測手法が開発されている。
[1].
我々は、自律走行車近傍のすべての交通参加者に対して、ニューラルネットワークに基づくモデルで複数のヒートマップを予測する。
ヒートマップは、最も将来的な位置に対応する座標を抽出する新しいサンプリングアルゴリズムの入力として使用される。
我々は、異なるエンコーダとデコーダを実験し、2つの損失関数の比較を行った。
さらに、さらなるパフォーマンス向上を示す新しいグリッドスケーリング技術が導入された。
提案手法は,機能関連予測間隔を3秒間,より長い予測間隔(最大8秒間)で比較しながら,最先端のミスレート性能を向上させる。
評価は2022年のwaymo motion challengeで行われている。
関連論文リスト
- Motion Forecasting in Continuous Driving [41.6423398623095]
自動運転では、自動運転車が動くと、動きの予測が繰り返し繰り返される。
既存の予測方法は、特定の範囲内で各走行シーンを独立に処理する。
本稿では,連続運転のための新しい動き予測フレームワークであるRealMotionを提案する。
論文 参考訳（メタデータ） (2024-10-08T13:04:57Z) - 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) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Learning Pedestrian Actions to Ensure Safe Autonomous Driving [12.440017892152417]
自動運転車は、歩行者の短期的かつ即時的な行動をリアルタイムで予測する能力を持つことが重要である。
本研究では,歩行者行動と軌跡予測のために,トランスフォーマーエンコーダデコーダ (TF-ed) アーキテクチャを用いた新しいマルチタスクシーケンスを提案する。
提案手法は,既存のLSTMエンコーダデコーダ (LSTM-ed) アーキテクチャを用いて動作と軌道予測を行う。
論文 参考訳（メタデータ） (2023-05-22T14:03:38Z) - 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) - MotionCNN: A Strong Baseline for Motion Prediction in Autonomous Driving [6.10183951877597]
畳み込みニューラルネットワークに基づくマルチモーダル動作予測のための,単純かつ非常に強力なベースラインを提案する。
ソースコードはGitHubで公開されています。
論文 参考訳（メタデータ） (2022-06-05T12:31:58Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset [84.3946567650148]
10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。
高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。
シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
論文 参考訳（メタデータ） (2021-04-20T17:19:05Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - Motion Prediction Using Temporal Inception Module [96.76721173517895]
人間の動作を符号化するTIM(Temporal Inception Module)を提案する。
本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。
標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
論文 参考訳（メタデータ） (2020-10-06T20:26:01Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。