論文の概要: nuScenes Knowledge Graph -- A comprehensive semantic representation of
traffic scenes for trajectory prediction
- arxiv url: http://arxiv.org/abs/2312.09676v1
- Date: Fri, 15 Dec 2023 10:40:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 16:14:10.414419
- Title: nuScenes Knowledge Graph -- A comprehensive semantic representation of
traffic scenes for trajectory prediction
- Title（参考訳）: nuScenes Knowledge Graph -- 軌跡予測のための交通シーンの包括的意味表現
- Authors: Leon Mlodzian, Zhigang Sun, Hendrik Berkemeyer, Sebastian Monka, Zixu
Wang, Stefan Dietze, Lavdim Halilaj, Juergen Luettin
- Abstract要約: 交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。
車両の走行経路、道路トポロジー、車線分割器、交通規則など、文脈情報を考慮することが重要である。
本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
- 参考スコア（独自算出の注目度）: 6.23221362105447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction in traffic scenes involves accurately forecasting the
behaviour of surrounding vehicles. To achieve this objective it is crucial to
consider contextual information, including the driving path of vehicles, road
topology, lane dividers, and traffic rules. Although studies demonstrated the
potential of leveraging heterogeneous context for improving trajectory
prediction, state-of-the-art deep learning approaches still rely on a limited
subset of this information. This is mainly due to the limited availability of
comprehensive representations. This paper presents an approach that utilizes
knowledge graphs to model the diverse entities and their semantic connections
within traffic scenes. Further, we present nuScenes Knowledge Graph (nSKG), a
knowledge graph for the nuScenes dataset, that models explicitly all scene
participants and road elements, as well as their semantic and spatial
relationships. To facilitate the usage of the nSKG via graph neural networks
for trajectory prediction, we provide the data in a format, ready-to-use by the
PyG library. All artefacts can be found here:
https://github.com/boschresearch/nuScenes_Knowledge_Graph
- Abstract（参考訳）: 交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。
この目的を達成するためには、車両の走行経路、道路トポロジー、車線分割器、交通規則などの文脈情報を考慮することが不可欠である。
研究は、軌跡予測を改善するために異種コンテキストを活用する可能性を示したが、最先端のディープラーニングアプローチは依然としてこの情報の限られたサブセットに依存している。
これは主に包括的な表現が限られているためである。
本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
さらに, nSKG(nuScenes Knowledge Graph)という, nuScenesデータセットの知識グラフを提示する。
トラジェクトリ予測のためのグラフニューラルネットワークによるnSKGの利用を容易にするため,PyGライブラリが使用可能なフォーマットでデータを提供する。
すべてのアーティファクトはここにある。 https://github.com/boschresearch/nuScenes_Knowledge_Graph
関連論文リスト
- Towards Consistent and Explainable Motion Prediction using Heterogeneous Graph Attention [0.17476232824732776]
本稿では,予測軌道を実際の地図に投影する改良モジュールを提案する。
また,エージェントと環境のすべての関係を単一の統合グラフアテンションネットワークで処理する新しいシーンエンコーダを提案する。
論文 参考訳（メタデータ） (2024-05-16T14:31:15Z) - SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。
本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
論文 参考訳（メタデータ） (2024-04-30T09:11:04Z) - Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
本稿では,レーンレベルの交通予測における既存研究を幅広く分析し,分類する。
グラフ構造と予測ネットワークに基づくシンプルなベースラインモデルであるGraphMLPを導入している。
既存の研究では公開されていないコードを複製し、有効性、効率、適用性の観点から様々なモデルを評価しました。
論文 参考訳（メタデータ） (2024-03-22T04:21:40Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-04-26T02:08:46Z) - Geometric Deep Learning for Autonomous Driving: Unlocking the Power of
Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。
グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。
提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
論文 参考訳（メタデータ） (2023-02-02T17:45:02Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - 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) - Road Scene Graph: A Semantic Graph-Based Scene Representation Dataset
for Intelligent Vehicles [72.04891523115535]
本稿では,車載用特別シーングラフである道路シーングラフを提案する。
オブジェクトの提案だけでなく、ペアワイドな関係も提供します。
それらをトポロジカルグラフで整理することで、これらのデータは説明可能であり、完全に接続され、GCNによって容易に処理できる。
論文 参考訳（メタデータ） (2020-11-27T07:33:11Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z)
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。