論文の概要: Conditional Unscented Autoencoders for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2310.19944v1
- Date: Mon, 30 Oct 2023 18:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 17:47:31.218367
- Title: Conditional Unscented Autoencoders for Trajectory Prediction
- Title（参考訳）: 軌道予測のための条件付き無臭オートエンコーダ
- Authors: Faris Janjo\v{s}, Marcel Hallgarten, Anthony Knittel, Maxim Dolgov,
Andreas Zell, J. Marius Z\"ollner
- Abstract要約: acCVAEは軌道予測において最も広く使われているモデルの一つである。
本稿では,CVAE の重要な構成要素に挑戦する。
学習した分布からサンプルを決定論的に抽出する無感覚サンプリングは、潜在的に危険なランダムサンプリングよりも軌道予測に適している。
- 参考スコア（独自算出の注目度）: 13.121738145903532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The \ac{CVAE} is one of the most widely-used models in trajectory prediction
for \ac{AD}. It captures the interplay between a driving context and its
ground-truth future into a probabilistic latent space and uses it to produce
predictions. In this paper, we challenge key components of the CVAE. We
leverage recent advances in the space of the VAE, the foundation of the CVAE,
which show that a simple change in the sampling procedure can greatly benefit
performance. We find that unscented sampling, which draws samples from any
learned distribution in a deterministic manner, can naturally be better suited
to trajectory prediction than potentially dangerous random sampling. We go
further and offer additional improvements, including a more structured mixture
latent space, as well as a novel, potentially more expressive way to do
inference with CVAEs. We show wide applicability of our models by evaluating
them on the INTERACTION prediction dataset, outperforming the state of the art,
as well as at the task of image modeling on the CelebA dataset, outperforming
the baseline vanilla CVAE. Code is available at
https://github.com/boschresearch/cuae-prediction.
- Abstract（参考訳）: \ac{CVAE} は \ac{AD} の軌道予測において最も広く使われているモデルの一つである。
運転状況と地中の未来の間の相互作用を確率的潜在空間に捉え、それを用いて予測を生成する。
本稿では,CVAE の重要な構成要素に挑戦する。
CVAEの基礎となるVAEの空間における最近の進歩を利用して,サンプリング手順の簡単な変更が性能に大きな恩恵をもたらすことを示す。
任意の学習分布からサンプルを決定論的に抽出する非スパイスサンプリングは,潜在的に危険なランダムサンプリングよりも軌道予測に適していることがわかった。
さらに、より構造化された混合潜水空間や、CVAEによる推論を行う新しい、より表現力のある方法など、さらなる改善も提供します。
CelebAデータセット上の画像モデリングのタスクや,ベースラインのvanilla CVAEよりも優れた画像モデリングのタスクにおいて,InterAction予測データセット上で評価することで,我々のモデルの適用性を示す。
コードはhttps://github.com/boschresearch/cuae-predictionで入手できる。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Improving Out-of-Distribution Generalization of Trajectory Prediction for Autonomous Driving via Polynomial Representations [16.856874154363588]
本稿では,2つの大規模動作データセット間でデータセットと予測タスクを均質化するOoDテストプロトコルを提案する。
モデルのサイズ、トレーニングの労力、推論時間を大幅に小さくすることで、IDテストのSotAに近いパフォーマンスに達し、OoDテストの堅牢性を大幅に向上します。
論文 参考訳（メタデータ） (2024-07-18T12:00:32Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳（メタデータ） (2023-10-28T10:19:55Z) - EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory
Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。
EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。
以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文 参考訳（メタデータ） (2023-08-12T13:17:09Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Adversarial Gradient Driven Exploration for Deep Click-Through Rate
Prediction [39.61776002290324]
textbfAdrial textbfGradientversa Driven textbfExploration (AGE) と呼ばれる新しい探索手法を提案する。
AGEは勾配更新プロセスをシミュレートし、モデルに対する探索項目のサンプルの影響を近似することができる。
本手法の有効性を,オープンアクセス学術データセットで実証した。
論文 参考訳（メタデータ） (2021-12-21T12:13:07Z) - Exponentially Tilted Gaussian Prior for Variational Autoencoder [3.52359746858894]
近年の研究では, この課題に対して確率的生成モデルが不十分であることが示されている。
変分オートエンコーダ(VAE)の指数傾斜ガウス事前分布を提案する。
本モデルでは,標準ガウスVAEよりクオリティの高い画像サンプルが得られた。
論文 参考訳（メタデータ） (2021-11-30T18:28:19Z)
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。