論文の概要: MetaTra: Meta-Learning for Generalized Trajectory Prediction in Unseen Domain

• arxiv url: http://arxiv.org/abs/2402.08221v1
• Date: Tue, 13 Feb 2024 05:25:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 16:45:23.393122
• Title: MetaTra: Meta-Learning for Generalized Trajectory Prediction in Unseen Domain
• Title（参考訳）: metatra:unseenドメインにおける一般化軌道予測のためのメタラーニング
• Authors: Xiaohe Li, Feilong Huang, Zide Fan, Fangli Mou, Yingyan Hou, Chen Qian, Lijie Wen
• Abstract要約: 軌道予測は、自律運転やロボットナビゲーションなど、さまざまな分野で広く注目を集めている。 本稿ではメタ学習に基づく新しい軌跡予測手法MetaTraを提案する。 また,MetaTraは他の最先端手法を超越するだけでなく,プラグアンドプレイの能力も示している。
• 参考スコア（独自算出の注目度）: 18.8641856367611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction has garnered widespread attention in different fields, such as autonomous driving and robotic navigation. However, due to the significant variations in trajectory patterns across different scenarios, models trained in known environments often falter in unseen ones. To learn a generalized model that can directly handle unseen domains without requiring any model updating, we propose a novel meta-learning-based trajectory prediction method called MetaTra. This approach incorporates a Dual Trajectory Transformer (Dual-TT), which enables a thorough exploration of the individual intention and the interactions within group motion patterns in diverse scenarios. Building on this, we propose a meta-learning framework to simulate the generalization process between source and target domains. Furthermore, to enhance the stability of our prediction outcomes, we propose a Serial and Parallel Training (SPT) strategy along with a feature augmentation method named MetaMix. Experimental results on several real-world datasets confirm that MetaTra not only surpasses other state-of-the-art methods but also exhibits plug-and-play capabilities, particularly in the realm of domain generalization.
• Abstract（参考訳）: 軌道予測は、自動運転やロボットナビゲーションなど、さまざまな分野で広く注目を集めている。 しかしながら、異なるシナリオにわたる軌道パターンの大幅な変化のため、既知の環境で訓練されたモデルは、しばしば目に見えないものへと変化する。 モデル更新を必要とせず,未認識領域を直接処理できる一般化モデルを学ぶために,メタラーニングに基づく新しい軌道予測法metatraを提案する。 このアプローチにはデュアルトラクタトランスフォーマ(dual-tt)が組み込まれており、多様なシナリオにおいて個々の意図と集団運動パターン内の相互作用を徹底的に探究することができる。 そこで本研究では,ソースドメインとターゲットドメインの一般化プロセスをシミュレートするメタラーニングフレームワークを提案する。 さらに,予測結果の安定性を高めるため,MetaMixという機能拡張手法とともに,SPT(Serial and Parallel Training)戦略を提案する。 いくつかの実世界のデータセットの実験結果から、MetaTraは他の最先端の手法を超えるだけでなく、特にドメインの一般化の領域において、プラグアンドプレイの能力を示すことが確認された。

関連論文リスト

• Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models [27.316692263196277]
  MVTrajは、軌道表現学習のための新しい多視点モデリング手法である。 GPSから道路網、関心点まで多様な文脈知識を統合し、軌跡データのより包括的な理解を提供する。 実世界のデータセットに対する大規模な実験により、MVTrajは様々な空間ビューに関連するタスクにおいて、既存のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-17T03:56:12Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• Meta-SysId: A Meta-Learning Approach for Simultaneous Identification and Prediction [34.83805457857297]
  本稿では,メタ・シズIdを提案する。メタ・シズIdは,一般的だが未知の法則によって支配されるメタ・ラーニングの手法であり,その文脈によって自分自身を区別する。 回帰、時系列予測、モデルベース制御、実世界の交通予測ドメインでMeta-SysIdをテストする。
  論文  参考訳（メタデータ） (2022-06-01T18:04:22Z)
• LatentFormer: Multi-Agent Transformer-Based Interaction Modeling and Trajectory Prediction [12.84508682310717]
  将来の車両軌道予測のためのトランスフォーマーモデルであるLatentFormerを提案する。 提案手法をnuScenesベンチマークデータセット上で評価し,提案手法が最先端性能を実現し,トラジェクトリ指標を最大40%向上することを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:44:58Z)
• Improving the Generalization of Meta-learning on Unseen Domains via Adversarial Shift [3.1219977244201056]
  ドメインシフトをシミュレートし、擬似タスクを生成する方法を学ぶためのモデルに依存しないシフト層を提案する。 擬似的なタスクに基づいて、メタ学習モデルはクロスドメインメタ知識を学習することができる。
  論文  参考訳（メタデータ） (2021-07-23T07:29:30Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• 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)
• Learning to Learn with Variational Information Bottleneck for Domain Generalization [128.90691697063616]
  ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。 ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。 ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-15T12:05:52Z)

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。