論文の概要: OSM vs HD Maps: Map Representations for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2311.02305v1
- Date: Sat, 4 Nov 2023 02:43:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 18:20:49.242867
- Title: OSM vs HD Maps: Map Representations for Trajectory Prediction
- Title（参考訳）: OSM vs HDマップ:軌道予測のためのマップ表現
- Authors: Jing-Yan Liao, Parth Doshi, Zihan Zhang, David Paz, Henrik Christensen
- Abstract要約: 我々は,長期動作予測のためのHDマップの代替として,OpenStreetMap (OSM)を活用することを提案する。
我々のOSMベースのアプローチは、受容領域の拡大と交差点前処理の統合を通じて、競争性能を示す。
- 参考スコア（独自算出の注目度）: 17.010579379634308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While High Definition (HD) Maps have long been favored for their precise
depictions of static road elements, their accessibility constraints and
susceptibility to rapid environmental changes impede the widespread deployment
of autonomous driving, especially in the motion forecasting task. In this
context, we propose to leverage OpenStreetMap (OSM) as a promising alternative
to HD Maps for long-term motion forecasting. The contributions of this work are
threefold: firstly, we extend the application of OSM to long-horizon
forecasting, doubling the forecasting horizon compared to previous studies.
Secondly, through an expanded receptive field and the integration of
intersection priors, our OSM-based approach exhibits competitive performance,
narrowing the gap with HD Map-based models. Lastly, we conduct an exhaustive
context-aware analysis, providing deeper insights in motion forecasting across
diverse scenarios as well as conducting class-aware comparisons. This research
not only advances long-term motion forecasting with coarse map representations
but additionally offers a potential scalable solution within the domain of
autonomous driving.
- Abstract（参考訳）: High Definition (HD) Mapsは、静的道路要素の正確な描写に長年好まれてきたが、そのアクセシビリティの制約と環境変化への感受性は、特に運動予測タスクにおいて、自動運転の広範な展開を妨げる。
本稿では,長期動作予測のためのHDマップの代替として,OpenStreetMap (OSM)を活用することを提案する。
この研究の貢献は3つある: まず、OSMの応用を長期予測に拡張し、以前の研究と比べて予測の地平を2倍にする。
第2に,レセプティブフィールドの拡大と交差点優先の統合を通じて,osmベースのアプローチは,hdマップベースのモデルとのギャップを狭める競争性能を示す。
最後に,多種多様なシナリオにおける動き予測の深い洞察を提供するとともに,クラス認識の比較を行う。
この研究は、粗い地図表現による長期動作予測を推し進めるだけでなく、自律運転の領域において潜在的にスケーラブルなソリューションを提供する。
関連論文リスト
- Map-Free Trajectory Prediction with Map Distillation and Hierarchical Encoding [8.857237929151795]
MFTPはMap-Free Trajectory Prediction法であり、いくつかの利点がある。
まず、推論中のHDマップの必要性を排除し、知識蒸留によるトレーニング中のマップ事前の恩恵を享受する。
第二に、空間的時間的エージェントの特徴を効果的に抽出し、それらを複数のトラジェクトリクエリに集約する新しい階層エンコーダを提案する。
論文 参考訳（メタデータ） (2024-11-17T04:50:44Z) - MapsTP: HD Map Images Based Multimodal Trajectory Prediction for Automated Vehicles [8.229161517598373]
我々はResNet-50を利用して高精細マップデータから画像の特徴を抽出し、IMUセンサデータを用いて速度、加速度、ヨーレートを計算する。
時間確率ネットワークを用いて潜在的な軌道を計算し、最も正確で高い確率の軌道経路を選択する。
論文 参考訳（メタデータ） (2024-07-08T10:45:30Z) - 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) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - What-If Motion Prediction for Autonomous Driving [58.338520347197765]
生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。
本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。
提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
論文 参考訳（メタデータ） (2020-08-24T17:49:30Z) - Physically constrained short-term vehicle trajectory forecasting with
naive semantic maps [6.85316573653194]
本稿では,エージェントの一般的な動きだけでなく,意味地図から関連する道路特徴を抽出する学習モデルを提案する。
我々は,道路境界を考慮した将来の動きを予測できるだけでなく,当初の訓練よりも長い時間的地平線の軌道を効果的かつ正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-09T09:52:44Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。