論文の概要: SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for
Autonomous Driving
- arxiv url: http://arxiv.org/abs/2402.02519v1
- Date: Sun, 4 Feb 2024 15:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 19:13:44.051123
- Title: SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for
Autonomous Driving
- Title(参考訳): SIMPL: 自律運転のための簡易かつ効率的なマルチエージェント動作予測ベースライン
- Authors: Lu Zhang, Peiliang Li, Sikang Liu, Shaojie Shen
- Abstract要約: 本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。
メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。
強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
- 参考スコア(独自算出の注目度): 27.776472262857045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a Simple and effIcient Motion Prediction baseLine (SIMPL)
for autonomous vehicles. Unlike conventional agent-centric methods with high
accuracy but repetitive computations and scene-centric methods with compromised
accuracy and generalizability, SIMPL delivers real-time, accurate motion
predictions for all relevant traffic participants. To achieve improvements in
both accuracy and inference speed, we propose a compact and efficient global
feature fusion module that performs directed message passing in a symmetric
manner, enabling the network to forecast future motion for all road users in a
single feed-forward pass and mitigating accuracy loss caused by viewpoint
shifting. Additionally, we investigate the continuous trajectory
parameterization using Bernstein basis polynomials in trajectory decoding,
allowing evaluations of states and their higher-order derivatives at any
desired time point, which is valuable for downstream planning tasks. As a
strong baseline, SIMPL exhibits highly competitive performance on Argoverse 1 &
2 motion forecasting benchmarks compared with other state-of-the-art methods.
Furthermore, its lightweight design and low inference latency make SIMPL highly
extensible and promising for real-world onboard deployment. We open-source the
code at https://github.com/HKUST-Aerial-Robotics/SIMPL.
- Abstract(参考訳): 本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。
従来のエージェント中心の高精度かつ反復的な計算手法や、精度と一般化性を妥協したシーン中心の手法とは異なり、SIMPLは関連するすべての交通参加者に対してリアルタイムかつ正確な動き予測を提供する。
精度と推論速度の両面で向上を図るため,一本のフィードフォワードパスで全道路利用者の将来の動きを予測し,視点シフトによる精度損失を軽減し,有向メッセージパッシングを対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。
さらに,軌道復号におけるbernstein基底多項式を用いた連続軌道パラメータ化について検討し,任意の所望の時点における状態とその高次導関数の評価を可能にした。
強力なベースラインとして、SIMPLは他の最先端手法と比較してArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
さらに、軽量な設計と低推論レイテンシにより、SIMPLは拡張性が高く、実際のオンボードデプロイメントに期待できる。
ソースコードはhttps://github.com/HKUST-Aerial-Robotics/SIMPLで公開しています。
関連論文リスト
- Real-Time Motion Prediction via Heterogeneous Polyline Transformer with
Relative Pose Encoding [121.08841110022607]
既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。
K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。
エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
論文 参考訳(メタデータ) (2023-10-19T17:59:01Z) - Efficient Baselines for Motion Prediction in Autonomous Driving [7.608073471097835]
複数の周辺エージェントの運動予測(MP)は、任意に複雑な環境において重要な課題である。
注意機構やGNNを含むMPのためのSOTA(State-Of-The-Art)技術を用いて,コンパクトなモデルを開発することを目指している。
論文 参考訳(メタデータ) (2023-09-06T22:18:16Z) - Resource Allocation of Federated Learning for the Metaverse with Mobile
Augmented Reality [13.954907748381743]
モバイル拡張現実(MAR)によるメタバースアプリケーションは、デジタルデータを現実世界と混在させるために、迅速かつ正確なオブジェクト検出を必要とする。
フェデレートラーニング(FL)は、プライバシ保護の特性から興味深い分散機械学習アプローチである。
本稿では,全エネルギー消費,完了時間,モデル精度の重み付けを最小化するために最適化問題を定式化する。
論文 参考訳(メタデータ) (2022-11-16T06:37:32Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳(メタデータ) (2022-10-19T12:20:07Z) - Motion Transformer with Global Intention Localization and Local Movement
Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。
MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文 参考訳(メタデータ) (2022-09-27T16:23:14Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳(メタデータ) (2022-07-21T12:03:02Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳(メタデータ) (2021-04-15T17:59:55Z) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳(メタデータ) (2021-01-28T15:10:22Z) - A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional
Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。
各車両のマルチモーダル状態情報がモデル入力として使用される。
モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
論文 参考訳(メタデータ) (2020-03-07T01:23:20Z)
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。