論文の概要: GoalNet: Goal Areas Oriented Pedestrian Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2402.19002v1
- Date: Thu, 29 Feb 2024 09:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 15:25:04.439090
- Title: GoalNet: Goal Areas Oriented Pedestrian Trajectory Prediction
- Title（参考訳）: goalnet: ゴールエリア指向の歩行者軌道予測
- Authors: Ching-Lin Lee, Zhi-Xuan Wang, Kuan-Ting Lai, Amar Fadillah
- Abstract要約: 歩行者の目標領域に基づく新しい軌道予測ニューラルネットワークを提案する。
GoalNetは、従来の最先端のパフォーマンスをJAADで48.7%、PIEデータセットで40.8%改善した。
- 参考スコア（独自算出の注目度）: 1.9253333342733674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the future trajectories of pedestrians on the road is an important
task for autonomous driving. The pedestrian trajectory prediction is affected
by scene paths, pedestrian's intentions and decision-making, which is a
multi-modal problem. Most recent studies use past trajectories to predict a
variety of potential future trajectory distributions, which do not account for
the scene context and pedestrian targets. Instead of predicting the future
trajectory directly, we propose to use scene context and observed trajectory to
predict the goal points first, and then reuse the goal points to predict the
future trajectories. By leveraging the information from scene context and
observed trajectory, the uncertainty can be limited to a few target areas,
which represent the "goals" of the pedestrians. In this paper, we propose
GoalNet, a new trajectory prediction neural network based on the goal areas of
a pedestrian. Our network can predict both pedestrian's trajectories and
bounding boxes. The overall model is efficient and modular, and its outputs can
be changed according to the usage scenario. Experimental results show that
GoalNet significantly improves the previous state-of-the-art performance by
48.7% on the JAAD and 40.8% on the PIE dataset.
- Abstract（参考訳）: 道路上の歩行者の将来の軌跡を予測することは、自動運転にとって重要な課題である。
歩行者の軌跡予測はシーンパスや歩行者の意図、意思決定に影響され、マルチモーダル問題となっている。
最近の研究では、過去の軌跡を用いて、シーンの文脈や歩行者のターゲットを考慮しない様々な将来の軌道分布を予測する。
将来の軌跡を直接予測する代わりに、シーンコンテキストと観測された軌跡を用いてまず目標点を予測し、次にゴール点を再利用して将来の軌跡を予測することを提案する。
シーンコンテキストと観測された軌道の情報を活用することで、不確実性は歩行者の「ゴール」を表すいくつかのターゲット領域に限定される。
本稿では,歩行者の目標領域に基づく新しい軌道予測ニューラルネットワークであるgoalnetを提案する。
我々のネットワークは歩行者の軌道とバウンディングボックスの両方を予測することができる。
全体的なモデルは効率的でモジュール化されており、使用シナリオに応じて出力を変更することができる。
実験の結果、goalnetは以前のパフォーマンスをjaadでは48.7%、pieデータセットでは40.8%向上させた。
関連論文リスト
- GANet: Goal Area Network for Motion Forecasting [20.38127609086616]
動き予測のための新たな目標領域ベースフレームワークであるGoal Area Network(GANet)を提案する。
GANetはすべての公開文学の中で、Argoverse Challengeのリーダーボードで第1位にランクインしている。
論文 参考訳（メタデータ） (2022-09-20T13:54:12Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。
DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
論文 参考訳（メタデータ） (2021-08-22T05:27:35Z) - PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction
in 3D [10.580548257913843]
nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。
また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-14T18:13:44Z) - Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。
本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。
この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文 参考訳（メタデータ） (2020-10-20T13:42:31Z) - Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position
Estimation [1.20855096102517]
本稿では,人間の軌道予測のための解釈可能な,エンドツーエンドのトレーニング可能なモデルであるGoal-GANを提案する。
人間のナビゲーションにヒントを得て、軌道予測のタスクを直感的な2段階のプロセスとしてモデル化する。
論文 参考訳（メタデータ） (2020-10-02T17:17:45Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳（メタデータ） (2020-08-19T06:52:46Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - It Is Not the Journey but the Destination: Endpoint Conditioned
Trajectory Prediction [59.027152973975575]
フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。
PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。
我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
論文 参考訳（メタデータ） (2020-04-04T21:27:13Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。