Fugu-MT 論文翻訳(概要): Diff-RNTraj: A Structure-aware Diffusion Model for Road Network-constrained Trajectory Generation

論文の概要: Diff-RNTraj: A Structure-aware Diffusion Model for Road Network-constrained Trajectory Generation

arxiv url: http://arxiv.org/abs/2402.07369v2
Date: Wed, 11 Sep 2024 09:06:54 GMT
ステータス: 処理完了
システム内更新日: 2024-09-12 21:47:34.638284
Title: Diff-RNTraj: A Structure-aware Diffusion Model for Road Network-constrained Trajectory Generation
Title（参考訳）: Diff-RNTraj:道路網制約軌道生成のための構造を考慮した拡散モデル
Authors: Tonglong Wei, Youfang Lin, Shengnan Guo, Yan Lin, Yiheng Huang, Chenyang Xiang, Yuqing Bai, Huaiyu Wan,
Abstract要約: 軌道データは、車両の動きを記録するため、様々な用途に不可欠である。パブリックに利用可能なトラジェクトリデータセットは、プライバシ上の懸念から、大規模に制限されている。そこで我々は,道路網に制約のある軌道生成の実践的ニーズを満たすための新しい問題を提案する。
参考スコア（独自算出の注目度）: 18.28750985486491
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory data is essential for various applications as it records the movement of vehicles. However, publicly available trajectory datasets remain limited in scale due to privacy concerns, which hinders the development of trajectory data mining and trajectory-based applications. To address this issue, some methods for generating synthetic trajectories have been proposed to expand the scale of the dataset. However, all existing methods generate trajectories in the geographical coordinate system, which poses two limitations for their utilization in practical applications: 1) the inability to ensure that the generated trajectories are constrained on the road. 2) the lack of road-related information. In this paper, we propose a new problem to meet the practical application need, \emph{i.e.}, road network-constrained trajectory (RNTraj) generation, which can directly generate trajectories on the road network with road-related information. RNTraj is a hybrid type of data, in which each point is represented by a discrete road segment and a continuous moving rate. To generate RNTraj, we design a diffusion model called Diff-RNTraj. This model can effectively handle the hybrid RNTraj using a continuous diffusion framework by incorporating a pre-training strategy to embed hybrid RNTraj into continuous representations. During the sampling stage, a RNTraj decoder is designed to map the continuous representation generated by the diffusion model back to the hybrid RNTraj format. Furthermore, Diff-RNTraj introduces a novel loss function to enhance the spatial validity of the generated trajectories. Extensive experiments conducted on two real-world trajectory datasets demonstrate the effectiveness of the proposed model.
Abstract（参考訳）: 軌道データは、車両の動きを記録するため、様々な用途に不可欠である。しかし、一般に公開されているトラジェクトリデータセットは、トラジェクトリデータマイニングやトラジェクトリベースのアプリケーションの開発を妨げるプライバシー上の懸念のために、大規模に制限されている。この問題に対処するために、データセットの規模を拡大するために、合成軌道を生成するいくつかの方法が提案されている。しかし、既存のすべての手法は、地理的座標系において軌跡を生成するため、実用的な用途での利用には2つの制限がある。 1)生成された軌跡が道路上で拘束されていることを保証することができないこと。 2)道路関連情報の欠如本稿では,道路網上の軌道を道路関連情報で直接生成できる道路網制約トラジェクトリ(RNTraj)生成の実用化に向けた新たな課題を提案する。 RNTrajは、各点を離散的な道路セグメントと連続的な移動率で表すハイブリッドタイプのデータである。 RNTrajを生成するために、Diff-RNTrajと呼ばれる拡散モデルを設計する。このモデルは、ハイブリッドRNTrajを連続表現に組み込むための事前学習戦略を組み込むことにより、連続拡散フレームワークを用いて、ハイブリッドRNTrajを効果的に扱うことができる。サンプリング段階において、RNTrajデコーダは拡散モデルによって生成された連続表現をハイブリッドRNTraj形式にマッピングするように設計されている。さらに、Diff-RNTrajは、生成された軌道の空間的妥当性を高めるために、新しい損失関数を導入する。実世界の2つの軌跡データセットを用いた実験により,提案モデルの有効性を実証した。

関連論文リスト

Map2Traj: Street Map Piloted Zero-shot Trajectory Generation with Diffusion Model [17.041443813376546]
拡散モデルを利用して,新しいゼロショットトラジェクトリ生成手法であるMap2Trajを開発した。観測されていない地域のストリートマップだけで、Map2Trajは現実世界の移動パターンによく似た合成軌道を生成する。
論文参考訳（メタデータ） (2024-07-29T07:57:03Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文参考訳（メタデータ） (2023-10-11T18:38:28Z)
Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文参考訳（メタデータ） (2023-01-16T09:54:02Z)
Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文参考訳（メタデータ） (2022-06-26T13:14:52Z)
Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文参考訳（メタデータ） (2021-11-30T04:30:10Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文参考訳（メタデータ） (2021-09-27T02:20:38Z)
A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories [2.908482270923597]
本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
論文参考訳（メタデータ） (2020-07-28T23:33:05Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)
PathGAN: Local Path Planning with Attentive Generative Adversarial Networks [0.0]
本稿では,自動運転車の自我中心画像から可塑性経路を生成できるモデルを提案する。我々の生成モデルは、特徴抽出ネットワーク(FEN)と経路生成ネットワーク(PGN)の2つのニューラルネットワークからなる。また、記録されたセンサデータを個別のハイレベルな運転動作でラベル付けした自律運転用データセットであるETRIDrivingを紹介した。
論文参考訳（メタデータ） (2020-07-08T03:31:58Z)
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。