論文の概要: JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds
- arxiv url: http://arxiv.org/abs/2311.02736v1
- Date: Sun, 5 Nov 2023 18:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:00:30.294992
- Title: JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds
- Title(参考訳): JRDB-Traj: 群衆の軌道予測のためのデータセットとベンチマーク
- Authors: Saeed Saadatnejad, Yang Gao, Hamid Rezatofighi, Alexandre Alahi
- Abstract要約: ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
- 参考スコア(独自算出の注目度): 79.00975648564483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting future trajectories is critical in autonomous navigation,
especially in preventing accidents involving humans, where a predictive agent's
ability to anticipate in advance is of utmost importance. Trajectory
forecasting models, employed in fields such as robotics, autonomous vehicles,
and navigation, face challenges in real-world scenarios, often due to the
isolation of model components. To address this, we introduce a novel dataset
for end-to-end trajectory forecasting, facilitating the evaluation of models in
scenarios involving less-than-ideal preceding modules such as tracking. This
dataset, an extension of the JRDB dataset, provides comprehensive data,
including the locations of all agents, scene images, and point clouds, all from
the robot's perspective. The objective is to predict the future positions of
agents relative to the robot using raw sensory input data. It bridges the gap
between isolated models and practical applications, promoting a deeper
understanding of navigation dynamics. Additionally, we introduce a novel metric
for assessing trajectory forecasting models in real-world scenarios where
ground-truth identities are inaccessible, addressing issues related to
undetected or over-detected agents. Researchers are encouraged to use our
benchmark for model evaluation and benchmarking.
- Abstract(参考訳): 将来の軌道予測は、自律航行、特に人による事故の防止において不可欠であり、予測エージェントが事前に予測する能力は極めて重要である。
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、しばしばモデルコンポーネントの分離のために現実のシナリオで課題に直面している。
そこで,本研究では,追跡などの非理想的先行モジュールを含むシナリオにおけるモデルの評価を容易にする,エンドツーエンドの軌道予測のための新しいデータセットを提案する。
jrdbデータセットの拡張であるこのデータセットは、ロボットの視点から、すべてのエージェント、シーンイメージ、ポイントクラウドの場所を含む包括的なデータを提供する。
その目的は、生の感覚入力データを用いて、ロボットに対するエージェントの将来の位置を予測することである。
分離されたモデルと実践的なアプリケーションの間のギャップを埋め、ナビゲーションダイナミクスのより深い理解を促進する。
さらに, 未検出エージェントや過検出エージェントに関連する問題に対処するため, 実世界シナリオにおいて, 軌道予測モデルを評価するための新しい指標を提案する。
モデル評価とベンチマークにベンチマークを使用することが推奨されています。
関連論文リスト
- Navigation under uncertainty: Trajectory prediction and occlusion reasoning with switching dynamical systems [36.18758962312406]
構造的確率的生成モデルに基づく軌道予測とオクルージョン推論を統一する概念的枠組みを提案する。
次に、オープンデータセットを使用して、その能力を示すいくつかの初期実験を示す。
論文 参考訳(メタデータ) (2024-10-14T16:03:41Z) - Vectorized Representation Dreamer (VRD): Dreaming-Assisted Multi-Agent Motion-Forecasting [2.2020053359163305]
マルチエージェント動作予測問題に対するベクトル化された世界モデルに基づくアプローチであるVRDを紹介する。
本手法では,従来のオープンループトレーニングシステムと,新しい夢のクローズループトレーニングパイプラインを組み合わせる。
本モデルでは,1つの予測ミスレート測定値に対して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2024-06-20T15:34:17Z) - 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) - 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) - Goal-driven Self-Attentive Recurrent Networks for Trajectory Prediction [31.02081143697431]
人間の軌道予測は、自動運転車、社会認識ロボット、およびビデオ監視アプリケーションの主要な構成要素である。
本稿では,過去の観測位置のみに作用する軽量な注意型リカレントバックボーンを提案する。
我々はU-Netアーキテクチャに基づく共通のゴールモジュールを使用し、シーン準拠の目的地を予測するために意味情報を抽出する。
論文 参考訳(メタデータ) (2022-04-25T11:12:37Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳(メタデータ) (2021-04-08T20:01:00Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳(メタデータ) (2021-02-18T02:25:35Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - 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) - Trajectron++: Dynamically-Feasible Trajectory Forecasting With
Heterogeneous Data [37.176411554794214]
人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。
我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。
実世界の軌道予測データセットにおいて,その性能を実証する。
論文 参考訳(メタデータ) (2020-01-09T16:47:17Z)
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。