論文の概要: GenSTL: General Sparse Trajectory Learning via Auto-regressive
Generation of Feature Domains
- arxiv url: http://arxiv.org/abs/2402.07232v1
- Date: Sun, 11 Feb 2024 15:49:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 16:42:38.198783
- Title: GenSTL: General Sparse Trajectory Learning via Auto-regressive
Generation of Feature Domains
- Title(参考訳): GenSTL:特徴領域の自動回帰生成による一般スパース軌道学習
- Authors: Yan Lin, Jilin Hu, Shengnan Guo, Bin Yang, Christian S. Jensen,
Youfang Lin, Huaiyu Wan
- Abstract要約: 本稿では,新しい軌跡学習フレームワークGenSTLを提案する。
自己回帰的な特徴領域の生成を用いて、スパース軌道と高密度領域との間の接続を形成するように事前訓練されている。
2つの実世界の軌道データセットの実験は、異なるサンプリング間隔でスパース軌道と競合するフレームワークの能力に関する洞察を与える。
- 参考スコア(独自算出の注目度): 36.669502381935985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectories are sequences of timestamped location samples. In sparse
trajectories, the locations are sampled infrequently; and while such
trajectories are prevalent in real-world settings, they are challenging to use
to enable high-quality transportation-related applications. Current
methodologies either assume densely sampled and accurately map-matched
trajectories, or they rely on two-stage schemes, yielding sub-optimal
applications.
To extend the utility of sparse trajectories, we propose a novel sparse
trajectory learning framework, GenSTL. The framework is pre-trained to form
connections between sparse trajectories and dense counterparts using
auto-regressive generation of feature domains. GenSTL can subsequently be
applied directly in downstream tasks, or it can be fine-tuned first. This way,
GenSTL eliminates the reliance on the availability of large-scale dense and
map-matched trajectory data. The inclusion of a well-crafted feature domain
encoding layer and a hierarchical masked trajectory encoder enhances GenSTL's
learning capabilities and adaptability. Experiments on two real-world
trajectory datasets offer insight into the framework's ability to contend with
sparse trajectories with different sampling intervals and its versatility
across different downstream tasks, thus offering evidence of its practicality
in real-world applications.
- Abstract(参考訳): 軌道はタイムスタンプされた位置サンプルのシーケンスである。
スパーストラジェクトリーでは、場所は頻繁にサンプリングされ、現実世界ではそのような軌道が一般的であるが、高品質の輸送関連アプリケーションを実現するために利用することは困難である。
現在の手法では、密集したサンプルと正確にマッピングされた軌跡を仮定するか、2段階のスキームに依存し、準最適応用をもたらす。
スパーストラジェクタ(sparse trajectories)の有用性を拡張するために,新しいスパース軌道学習フレームワークgenstlを提案する。
このフレームワークは、自己回帰的な特徴領域の生成を用いてスパース軌道と高密度領域の間の接続を形成するために事前訓練されている。
genstlはその後、下流タスクに直接適用することも、最初に微調整することもできる。
これにより、GenSTLは、大規模密集トラジェクトリデータとマップマッチングトラジェクトリデータの可用性に依存しない。
精巧な特徴領域エンコーディング層と階層的マスクド軌道エンコーダを含むことで、genstlの学習能力と適応性が向上する。
2つの実世界の軌道データセットに関する実験は、異なるサンプリング間隔のスパースな軌道と競合するフレームワークの能力と、異なる下流のタスクにまたがる汎用性に関する洞察を与え、実世界のアプリケーションで実用性を示す。
関連論文リスト
- Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - An End-to-End Framework of Road User Detection, Tracking, and Prediction
from Monocular Images [11.733622044569486]
我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。
検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。
本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
論文 参考訳(メタデータ) (2023-08-09T15:46:25Z) - A Novel Temporal Multi-Gate Mixture-of-Experts Approach for Vehicle
Trajectory and Driving Intention Prediction [0.0]
正確な車両軌道予測は、自動車両と高度な運転支援システムにとって重要である。
運転意図と車両運動には有意な相関関係がある。
本稿では,車両軌道と運転意図を同時に予測する時間的マルチゲート混合実験モデルを提案する。
論文 参考訳(メタデータ) (2023-08-01T13:26:59Z) - TrajectoryFormer: 3D Object Tracking Transformer with Predictive
Trajectory Hypotheses [51.60422927416087]
3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。
本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
論文 参考訳(メタデータ) (2023-06-09T13:31:50Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-17T13:14:47Z) - Generating Synthetic Training Data for Deep Learning-Based UAV
Trajectory Prediction [11.241614693184323]
本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。
実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
論文 参考訳(メタデータ) (2021-07-01T13:08:31Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳(メタデータ) (2020-04-16T06:43:11Z)
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。