論文の概要: Flexible Multi-Generator Model with Fused Spatiotemporal Graph for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2311.02835v1
• Date: Mon, 6 Nov 2023 02:46:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 15:38:38.996885
• Title: Flexible Multi-Generator Model with Fused Spatiotemporal Graph for Trajectory Prediction
• Title（参考訳）: 軌跡予測のための融合時空間グラフを用いたフレキシブルマルチジェネレータモデル
• Authors: Peiyuan Zhu, Fengxia Han and Hao Deng
• Abstract要約: 軌道予測は、自動車レーダーシステムにおいて重要な役割を果たす。 将来の軌道上の分布を学習する能力を持つ生成的敵ネットワークは、分布外サンプルを予測する傾向がある。 本稿では,歩行者軌跡の社会的相互作用を捉え,不連結な変動をモデル化する軌道予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.1638817206926855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction plays a vital role in automotive radar systems, facilitating precise tracking and decision-making in autonomous driving. Generative adversarial networks with the ability to learn a distribution over future trajectories tend to predict out-of-distribution samples, which typically occurs when the distribution of forthcoming paths comprises a blend of various manifolds that may be disconnected. To address this issue, we propose a trajectory prediction framework, which can capture the social interaction variations and model disconnected manifolds of pedestrian trajectories. Our framework is based on a fused spatiotemporal graph to better model the complex interactions of pedestrians in a scene, and a multi-generator architecture that incorporates a flexible generator selector network on generated trajectories to learn a distribution over multiple generators. We show that our framework achieves state-of-the-art performance compared with several baselines on different challenging datasets.
• Abstract（参考訳）: 軌道予測は自動車レーダーシステムにおいて重要な役割を担い、精密な追跡と自動走行における意思決定を促進する。 将来の軌道上の分布を学習できる生成的敵ネットワークは、通常、次の経路の分布が切断されるかもしれない様々な多様体の混合からなるときに発生する分布外サンプルを予測する傾向がある。 この問題に対処するために,歩行路の社会的相互作用の変動を捉え,分離した多様体をモデル化できる軌道予測フレームワークを提案する。 筆者らのフレームワークは,現場における歩行者の複雑な相互作用をモデル化するための融合時空間グラフと,生成した軌道上にフレキシブルなジェネレータセレクタネットワークを組み込んだマルチジェネレータアーキテクチャに基づいて,複数のジェネレータ上の分布を学習する。 我々のフレームワークは、さまざまな挑戦的データセットのベースラインと比較して、最先端のパフォーマンスを実現する。

関連論文リスト

• Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
  軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。 本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。 複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-12T16:23:27Z)
• THOMAS: Trajectory Heatmap Output with learned Multi-Agent Sampling [2.424910201171407]
  本稿では,高速かつ同時エージェントによる将来のヒートマップ推定のための統一モデルアーキテクチャを提案する。 シーン一貫性のある予測を生成することは、衝突のない軌道の単なる世代を越えている。 我々は、Interaction Multi-agent Prediction Challengeについて報告し、オンラインテストリーダーボードで1st$をランク付けした。
  論文  参考訳（メタデータ） (2021-10-13T10:05:47Z)
• MG-GAN: A Multi-Generator Model Preventing Out-of-Distribution Samples in Pedestrian Trajectory Prediction [0.6445605125467573]
  歩行者軌道予測のためのマルチジェネレータモデルを提案する。 各ジェネレータは、シーン内の主要なモードの1つにルーティングする軌跡上の分布を学習する。 第2のネットワークは、これらのジェネレータ上のカテゴリ分布を動的およびシーン入力に基づいて学習する。 このアーキテクチャにより、特殊なジェネレータから効果的にサンプルを採取し、単一ジェネレータ法と比較して配布外サンプルを著しく削減できる。
  論文  参考訳（メタデータ） (2021-08-20T17:10:39Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• DSDNet: Deep Structured self-Driving Network [92.9456652486422]
  本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。 我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
  論文  参考訳（メタデータ） (2020-08-13T17:54:06Z)
• 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)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
  本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。 ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。 本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
  論文  参考訳（メタデータ） (2020-06-23T11:25:16Z)
• Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction [10.905596145969223]
  マルチヘッドアテンションに基づく簡単なエンコーダ・デコーダアーキテクチャを提案する。 提案モデルでは,複数の車両に対して並列に予測された軌道の分布を生成する。
  論文  参考訳（メタデータ） (2020-04-08T06:58:51Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。