論文の概要: Attention-aware Social Graph Transformer Networks for Stochastic
Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2312.15881v1
- Date: Tue, 26 Dec 2023 04:24:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:55:11.276947
- Title: Attention-aware Social Graph Transformer Networks for Stochastic
Trajectory Prediction
- Title（参考訳）: 確率軌道予測のための注意型ソーシャルグラフトランスネットワーク
- Authors: Yao Liu, Binghao Li, Xianzhi Wang, Claude Sammut, Lina Yao
- Abstract要約: 軌道予測は、自律運転やロボット工学など、様々なインテリジェントな技術の基本である。
現在の軌道予測研究は、複雑な社会的相互作用、高ダイナミクス、多モード性といった問題に直面している。
マルチモーダル軌道予測のためのアテンション対応ソーシャルグラフトランスフォーマーネットワークを提案する。
- 参考スコア（独自算出の注目度）: 17.765361461639763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction is fundamental to various intelligent technologies,
such as autonomous driving and robotics. The motion prediction of pedestrians
and vehicles helps emergency braking, reduces collisions, and improves traffic
safety. Current trajectory prediction research faces problems of complex social
interactions, high dynamics and multi-modality. Especially, it still has
limitations in long-time prediction. We propose Attention-aware Social Graph
Transformer Networks for multi-modal trajectory prediction. We combine Graph
Convolutional Networks and Transformer Networks by generating stable resolution
pseudo-images from Spatio-temporal graphs through a designed stacking and
interception method. Furthermore, we design the attention-aware module to
handle social interaction information in scenarios involving mixed
pedestrian-vehicle traffic. Thus, we maintain the advantages of the Graph and
Transformer, i.e., the ability to aggregate information over an arbitrary
number of neighbors and the ability to perform complex time-dependent data
processing. We conduct experiments on datasets involving pedestrian, vehicle,
and mixed trajectories, respectively. Our results demonstrate that our model
minimizes displacement errors across various metrics and significantly reduces
the likelihood of collisions. It is worth noting that our model effectively
reduces the final displacement error, illustrating the ability of our model to
predict for a long time.
- Abstract（参考訳）: 軌道予測は、自律運転やロボット工学など、様々なインテリジェントな技術の基本である。
歩行者や車両の移動予測は、緊急ブレーキ、衝突の低減、交通安全の向上に役立つ。
現在の軌道予測研究は、複雑な社会的相互作用、高力学、多様性の問題に直面している。
特に、長期予測にはまだ制限がある。
マルチモーダル軌道予測のためのアテンション対応ソーシャルグラフトランスフォーマーネットワークを提案する。
グラフ畳み込みネットワークとトランスフォーマネットワークを組み合わせることで,時空間グラフからの安定な解像度の擬似画像を生成する。
さらに,歩行者と車両の混合交通を伴うシナリオにおいて,ソーシャルインタラクション情報を扱うための注意対応モジュールを設計した。
したがって、グラフとトランスフォーマーの利点、すなわち、任意の数の隣接者に対して情報を集約する能力と、複雑な時間依存データ処理を行う能力を維持することができる。
歩行者,車両,混合軌道を含むデータセットについて実験を行った。
本研究は, 各種測定値の変位誤差を最小化し, 衝突の可能性を大幅に低減することを示す。
また,本モデルが最終変位誤差を効果的に低減し,長期にわたって予測できることに注意が必要である。
関連論文リスト
- Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳（メタデータ） (2023-12-26T18:56:49Z) - Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory
Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。
このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。
我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
論文 参考訳（メタデータ） (2023-09-05T06:28:13Z) - 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) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - Pedestrian Trajectory Prediction via Spatial Interaction Transformer
Network [7.150832716115448]
交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。
このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。
本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
論文 参考訳（メタデータ） (2021-12-13T13:08:04Z) - 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) - End-to-end Contextual Perception and Prediction with Interaction
Transformer [79.14001602890417]
我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。
空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。
私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
論文 参考訳（メタデータ） (2020-08-13T14:30:12Z) - 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) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳（メタデータ） (2020-05-29T17:57:25Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z)
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。