論文の概要: Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise
Prediction
- arxiv url: http://arxiv.org/abs/2312.09466v1
- Date: Sun, 26 Nov 2023 19:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:13:37.162071
- Title: Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise
Prediction
- Title(参考訳): 自己監督型ウェイポイント騒音予測による軌道予測の強化
- Authors: Pranav Singh Chib, Pravendra Singh
- Abstract要約: 軌道予測は、未来の軌道を予測するために、交通機関の不確定の性質をモデル化する重要なタスクである。
SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。
提案手法では,経路点の空間的領域にまたがる過去の観測軌跡の,クリーンでノイズを増進したビューを作成する。
- 参考スコア(独自算出の注目度): 9.385936248154987
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Trajectory prediction is an important task that involves modeling the
indeterminate nature of traffic actors to forecast future trajectories given
the observed trajectory sequences. However, current methods confine themselves
to presumed data manifolds, assuming that trajectories strictly adhere to these
manifolds, resulting in overly simplified predictions. To this end, we propose
a novel approach called SSWNP (Self-Supervised Waypoint Noise Prediction). In
our approach, we first create clean and noise-augmented views of past observed
trajectories across the spatial domain of waypoints. We then compel the
trajectory prediction model to maintain spatial consistency between predictions
from these two views, in addition to the trajectory prediction task.
Introducing the noise-augmented view mitigates the model's reliance on a narrow
interpretation of the data manifold, enabling it to learn more plausible and
diverse representations. We also predict the noise present in the two views of
past observed trajectories as an auxiliary self-supervised task, enhancing the
model's understanding of the underlying representation and future predictions.
Empirical evidence demonstrates that the incorporation of SSWNP into the model
learning process significantly improves performance, even in noisy
environments, when compared to baseline methods. Our approach can complement
existing trajectory prediction methods. To showcase the effectiveness of our
approach, we conducted extensive experiments on three datasets: NBA Sports VU,
ETH-UCY, and TrajNet++, with experimental results highlighting the substantial
improvement achieved in trajectory prediction tasks.
- Abstract(参考訳): トラジェクトリ予測は、観測されたトラジェクトリシーケンスから将来のトラジェクトリを予測するために、トラフィックアクターの不確定の性質をモデル化する重要なタスクである。
しかし、現在の方法では、トラジェクトリーがこれらの多様体に厳密に従うと仮定して、推定されたデータ多様体に限定し、過度に単純化された予測をもたらす。
そこで本研究では,SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。
提案手法では,まず,過去の観測された軌跡の清潔でノイズに満ちた視点を,経路の空間領域にまたがって作成する。
次に、軌道予測モデルを用いて、これらの2つの視点からの予測と軌道予測タスクとの空間的整合性を維持する。
ノイズ拡張ビューの導入は、モデルがデータ多様体の狭い解釈に依存することを緩和し、より妥当で多様な表現を学べる。
また,過去の観測軌跡の2つの視点における騒音を補助的自己監視課題として予測し,モデルによる基礎表現と今後の予測の理解を深める。
実験的な証拠は、SSWNPをモデル学習プロセスに組み込むことで、ベースライン法と比較してノイズの多い環境でも性能が著しく向上することを示している。
提案手法は既存の軌道予測手法を補完することができる。
提案手法の有効性を示すために,NBA Sports VU,ETH-UCY,TrajNet++の3つのデータセットに対して広範な実験を行った。
関連論文リスト
- Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。
近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。
本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
論文 参考訳(メタデータ) (2024-01-10T01:50:29Z) - Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints [9.385936248154987]
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2023-09-29T15:48:35Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction
via Self-Supervision [2.365702128814616]
正確な車両軌道予測は、自動運転における未解決の問題である。
本稿では,複数の軌道セグメントを連結した中間層を提案する。
提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
論文 参考訳(メタデータ) (2023-06-06T02:46:28Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T14:59:48Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and
Adaptive Sampling [27.194900145235007]
本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。
トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。
我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
論文 参考訳(メタデータ) (2021-10-05T20:20:10Z) - Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。
既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。
本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
論文 参考訳(メタデータ) (2021-07-29T17:41:34Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Temporally-Continuous Probabilistic Prediction using Polynomial
Trajectory Parameterization [12.896275507449936]
アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。
このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。
本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
論文 参考訳(メタデータ) (2020-11-01T01:51:44Z)
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。