論文の概要: DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2310.14570v1
- Date: Mon, 23 Oct 2023 05:04:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 22:29:45.337159
- Title: DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction
- Title(参考訳): DICE:軌道予測のためのスコーリング付き拡散モデル
- Authors: Younwoo Choi, Ray Coden Mercurius, Soheil Mohamad Alizadeh Shabestary,
Amir Rasouli
- Abstract要約: 本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。
提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。
本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
- 参考スコア(独自算出の注目度): 7.346307332191997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Road user trajectory prediction in dynamic environments is a challenging but
crucial task for various applications, such as autonomous driving. One of the
main challenges in this domain is the multimodal nature of future trajectories
stemming from the unknown yet diverse intentions of the agents. Diffusion
models have shown to be very effective in capturing such stochasticity in
prediction tasks. However, these models involve many computationally expensive
denoising steps and sampling operations that make them a less desirable option
for real-time safety-critical applications. To this end, we present a novel
framework that leverages diffusion models for predicting future trajectories in
a computationally efficient manner. To minimize the computational bottlenecks
in iterative sampling, we employ an efficient sampling mechanism that allows us
to maximize the number of sampled trajectories for improved accuracy while
maintaining inference time in real time. Moreover, we propose a scoring
mechanism to select the most plausible trajectories by assigning relative
ranks. We show the effectiveness of our approach by conducting empirical
evaluations on common pedestrian (UCY/ETH) and autonomous driving (nuScenes)
benchmark datasets on which our model achieves state-of-the-art performance on
several subsets and metrics.
- Abstract(参考訳): 動的環境における道路ユーザの軌道予測は、自律運転など様々なアプリケーションにとって難しいが重要な課題である。
この領域における主な課題の1つは、エージェントの未知だが多様な意図に由来する未来の軌道の多様性である。
拡散モデルは予測タスクにおけるそのような確率性を捉えるのに非常に効果的であることが示されている。
しかしながら、これらのモデルには多くの計算コストのかかるデノナイジングステップとサンプリング操作が含まれており、リアルタイム安全クリティカルなアプリケーションでは望ましくない選択肢となっている。
そこで本研究では, 拡散モデルを用いて将来の軌道を計算効率良く予測する新しい枠組みを提案する。
反復サンプリングにおける計算ボトルネックを最小限に抑えるため,実時間における推論時間を維持しつつ,精度を向上させるため,サンプル軌道の数を最大化できる効率的なサンプリング機構を採用した。
また,相対ランクを割り振ることにより,最も妥当な軌道を選択するためのスコアリング機構を提案する。
提案手法は,共通歩行者(ucy/eth)と自律運転(nuscenes)のベンチマークデータセットに対して経験的評価を行い,いくつかのサブセットとメトリクスで最先端のパフォーマンスを実現することにより,その効果を示す。
関連論文リスト
- Tractable Joint Prediction and Planning over Discrete Behavior Modes for
Urban Driving [15.671811785579118]
自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。
離散潜在モード上での完全反応性閉ループ計画を提案する。
当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
論文 参考訳(メタデータ) (2024-03-12T01:00:52Z) - Trajeglish: Learning the Language of Driving Scenarios [75.61820235290608]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳(メタデータ) (2023-12-07T18:53:27Z) - GBD-TS: Goal-based Pedestrian Trajectory Prediction with Diffusion using
Tree Sampling Algorithm [18.367711156885203]
本稿では,GBD と呼ばれる,シーン認識型マルチモーダル歩行者軌道予測フレームワークを提案する。
まず、目標予測器は複数の目標を生成し、次に拡散ネットワークはこれらの目標に条件付きマルチモーダル軌道を生成する。
論文 参考訳(メタデータ) (2023-11-25T03:55:06Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳(メタデータ) (2023-06-09T18:40:55Z) - Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
自律運転における多モーダル軌道予測のための新しい枠組みを提案する。
我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
論文 参考訳(メタデータ) (2022-08-31T18:43:23Z) - 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) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Multi-modal anticipation of stochastic trajectories in a dynamic
environment with Conditional Variational Autoencoders [0.12183405753834559]
近くの車両の短期的な動きは、厳密に単一の軌道のセットに限定されません。
本稿では, エージェントの過去の動作に条件付き条件付きオートエンコーダ(C-VAE)と, カプセルネットワーク(Capsule Network, CapsNet)で符号化されたシーンを用いて, 問題のマルチモーダル性を考慮することを提案する。
さらに,N個のサンプルに対して最小値を用いることの利点を実証し,最も近いサンプルに対する損失を最小化しようと試み,より多様な予測を導いた。
論文 参考訳(メタデータ) (2021-03-05T19:38:26Z) - Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。
DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
論文 参考訳(メタデータ) (2020-11-30T18:23:29Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。