論文の概要: EqDrive: Efficient Equivariant Motion Forecasting with Multi-Modality
for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2310.17540v1
- Date: Thu, 26 Oct 2023 16:32:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 19:06:47.295341
- Title: EqDrive: Efficient Equivariant Motion Forecasting with Multi-Modality
for Autonomous Driving
- Title(参考訳): EqDrive: 自律運転のためのマルチモードによる効率的な同変運動予測
- Authors: Yuping Wang, Jier Chen
- Abstract要約: 我々は,マルチエージェント車両運動予測のタスクにおいて,先行する同変粒子であるEqMotionと人間の予測モデルを用いる。
EqMotionを利用することで、パラメータが少なく(120万)、トレーニング時間を大幅に短縮(2時間以内)で、最先端(SOTA)のパフォーマンスを実現します。
- 参考スコア(独自算出の注目度): 4.096893535332546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting vehicular motions in autonomous driving requires a deep
understanding of agent interactions and the preservation of motion equivariance
under Euclidean geometric transformations. Traditional models often lack the
sophistication needed to handle the intricate dynamics inherent to autonomous
vehicles and the interaction relationships among agents in the scene. As a
result, these models have a lower model capacity, which then leads to higher
prediction errors and lower training efficiency. In our research, we employ
EqMotion, a leading equivariant particle, and human prediction model that also
accounts for invariant agent interactions, for the task of multi-agent vehicle
motion forecasting. In addition, we use a multi-modal prediction mechanism to
account for multiple possible future paths in a probabilistic manner. By
leveraging EqMotion, our model achieves state-of-the-art (SOTA) performance
with fewer parameters (1.2 million) and a significantly reduced training time
(less than 2 hours).
- Abstract(参考訳): 自律走行における車両運動の予測には、エージェント相互作用の深い理解とユークリッド幾何学的変換の下での運動同値の保存が必要である。
従来のモデルは、自動運転車に固有の複雑なダイナミクスや、シーン内のエージェント間の相互作用を扱うのに必要な洗練度を欠いていることが多い。
結果として、これらのモデルはモデルのキャパシティが低くなり、予測エラーが高まり、トレーニング効率が低下する。
本研究では,マルチエージェント車両運動予測のタスクにおいて,先行する同変粒子であるEqMotionと,不変エージェントの相互作用を考慮に入れた人間の予測モデルを用いる。
さらに,複数の将来の経路を確率論的に考慮するために,多モード予測機構を用いる。
EqMotionを利用することで、パラメータが少なく(120万)、トレーニング時間を2時間未満で大幅に短縮したSOTA(State-of-the-art)を実現する。
関連論文リスト
- 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) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T18:57:42Z) - Persistent-Transient Duality: A Multi-mechanism Approach for Modeling
Human-Object Interaction [58.67761673662716]
人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。
人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。
本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
論文 参考訳(メタデータ) (2023-07-24T12:21:33Z) - MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳(メタデータ) (2023-06-30T16:23:04Z) - 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) - EqMotion: Equivariant Multi-agent Motion Prediction with Invariant
Interaction Reasoning [83.11657818251447]
不変相互作用推論を用いた効率的な同変運動予測モデルであるEqMotionを提案する。
提案モデルに対して,粒子動力学,分子動力学,人体骨格運動予測,歩行者軌道予測の4つの異なるシナリオで実験を行った。
提案手法は4つのタスクすべてに対して最先端の予測性能を実現し,24.0/30.1/8.6/9.2%改善した。
論文 参考訳(メタデータ) (2023-03-20T05:23:46Z) - SPOTR: Spatio-temporal Pose Transformers for Human Motion Prediction [12.248428883804763]
3次元人間の動き予測は、コンピュータビジョンにおける高い重要性と課題を計算した研究領域である。
伝統的に、自己回帰モデルは人間の動きを予測するために用いられてきた。
人間の動作予測のための非自己回帰モデルを提案する。
論文 参考訳(メタデータ) (2023-03-11T01:44:29Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳(メタデータ) (2021-03-11T15:21:08Z) - Diverse and Admissible Trajectory Forecasting through Multimodal Context
Understanding [46.52703817997932]
自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。
マルチモーダル世界から複数の入力信号を合成するモデルを提案する。
従来の最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-03-06T13:59:39Z)
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。