論文の概要: STF: Spatial Temporal Fusion for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2311.18149v1
- Date: Wed, 29 Nov 2023 23:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 18:25:58.241807
- Title: STF: Spatial Temporal Fusion for Trajectory Prediction
- Title（参考訳）: STF : 軌道予測のための時空間核融合
- Authors: Pengqian Han, Partha Roop, Jiamou Liu, Tianzhe Bao, Yifei Wang
- Abstract要約: 軌道予測は、車や歩行者の将来の軌道を短時間で予測することを目的とした課題である。
モデルが捉えることができる情報が多ければ多いほど、将来の軌道はより正確に予測できる。
本研究では,空間的エッジと時間的エッジを一体化した3Dグラフを提案する。
- 参考スコア（独自算出の注目度）: 18.359362362173098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory prediction is a challenging task that aims to predict the future
trajectory of vehicles or pedestrians over a short time horizon based on their
historical positions. The main reason is that the trajectory is a kind of
complex data, including spatial and temporal information, which is crucial for
accurate prediction. Intuitively, the more information the model can capture,
the more precise the future trajectory can be predicted. However, previous
works based on deep learning methods processed spatial and temporal information
separately, leading to inadequate spatial information capture, which means they
failed to capture the complete spatial information. Therefore, it is of
significance to capture information more fully and effectively on vehicle
interactions. In this study, we introduced an integrated 3D graph that
incorporates both spatial and temporal edges. Based on this, we proposed the
integrated 3D graph, which considers the cross-time interaction information. In
specific, we design a Spatial-Temporal Fusion (STF) model including Multi-layer
perceptions (MLP) and Graph Attention (GAT) to capture the spatial and temporal
information historical trajectories simultaneously on the 3D graph. Our
experiment on the ApolloScape Trajectory Datasets shows that the proposed STF
outperforms several baseline methods, especially on the long-time-horizon
trajectory prediction.
- Abstract（参考訳）: 軌道予測は,自動車や歩行者の将来の軌道を,その歴史的位置に基づいて短時間で予測することを目的とした課題である。
主な理由は、軌道は空間情報や時間情報を含む複雑なデータの一種であり、正確な予測には不可欠であるからである。
直感的には、モデルがキャプチャできる情報が増えるほど、将来の軌道はより正確に予測できる。
しかし,従来の深層学習法に基づく研究は,空間情報と時間情報を別々に処理し,空間情報の取得が不十分であった。
したがって、車両のインタラクションにおいて、情報をより完全かつ効果的に捉えることが重要である。
本研究では,空間エッジと時間エッジを併用した3次元統合グラフを提案する。
これに基づいて,クロスタイムインタラクション情報を考慮した統合3dグラフを提案する。
具体的には,多層認識(MLP)とグラフ注意(GAT)を含む時空間融合(STF)モデルを設計し,空間的・時間的情報履歴の軌跡を3次元グラフ上で同時に捉える。
ApolloScape Trajectory Datasets 実験により,提案した STF は,特に長期水平軌道予測において,いくつかのベースライン法よりも優れた性能を示した。
関連論文リスト
- Future Does Matter: Boosting 3D Object Detection with Temporal Motion Estimation in Point Cloud Sequences [25.74000325019015]
クロスフレーム動作予測情報を用いた時空間特徴学習を容易にするために,新しいLiDAR 3Dオブジェクト検出フレームワークLiSTMを導入する。
我々は,本フレームワークが優れた3次元検出性能を実現することを示すため,アグリゲーションとnuScenesデータセットの実験を行った。
論文 参考訳（メタデータ） (2024-09-06T16:29:04Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - TrajectoryNAS: A Neural Architecture Search for Trajectory Prediction [0.0]
軌道予測は自律走行システムの重要な構成要素である。
本稿では,軌道予測にポイントクラウドデータを活用する先駆的手法であるTrajectoryNASを紹介する。
論文 参考訳（メタデータ） (2024-03-18T11:48:41Z) - S-T CRF: Spatial-Temporal Conditional Random Field for Human Trajectory
Prediction [11.302568159452889]
軌道予測はコンピュータビジョンにおいて重要である。
本研究では,textbfS-Tjectory CRF: textbfSpatial-textbfTemporal textbfConditional textbfRandom textbfFieldを提案する。
論文 参考訳（メタデータ） (2023-11-30T02:33:01Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal
Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。
私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文 参考訳（メタデータ） (2022-07-15T16:57:43Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - A Graph Attention Spatio-temporal Convolutional Network for 3D Human
Pose Estimation in Video [7.647599484103065]
我々は,アテンション機構を用いた局所的グローバル空間情報のモデリングにより,人間の骨格における制約の学習を改善する。
提案手法は, 奥行きのあいまいさと自己閉塞性を効果的に軽減し, 半上半身推定を一般化し, 2次元から3次元映像のポーズ推定における競合性能を実現する。
論文 参考訳（メタデータ） (2020-03-11T14:54:40Z)
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。