論文の概要: MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction
- arxiv url: http://arxiv.org/abs/2404.19283v1
- Date: Tue, 30 Apr 2024 06:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 15:23:59.523829
- Title: MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction
- Title(参考訳): MAP-Former:マルチエージェントペアガウス関節予測
- Authors: Marlon Steiner, Marvin Klemp, Christoph Stiller,
- Abstract要約: 交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。
既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。
本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
- 参考スコア(独自算出の注目度): 6.110153599741102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a gap in risk assessment of trajectories between the trajectory information coming from a traffic motion prediction module and what is actually needed. Closing this gap necessitates advancements in prediction beyond current practices. Existing prediction models yield joint predictions of agents' future trajectories with uncertainty weights or marginal Gaussian probability density functions (PDFs) for single agents. Although, these methods achieve high accurate trajectory predictions, they only provide little or no information about the dependencies of interacting agents. Since traffic is a process of highly interdependent agents, whose actions directly influence their mutual behavior, the existing methods are not sufficient to reliably assess the risk of future trajectories. This paper addresses that gap by introducing a novel approach to motion prediction, focusing on predicting agent-pair covariance matrices in a ``scene-centric'' manner, which can then be used to model Gaussian joint PDFs for all agent-pairs in a scene. We propose a model capable of predicting those agent-pair covariance matrices, leveraging an enhanced awareness of interactions. Utilizing the prediction results of our model, this work forms the foundation for comprehensive risk assessment with statistically based methods for analyzing agents' relations by their joint PDFs.
- Abstract(参考訳): 交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。
このギャップを閉じるには、現在のプラクティスを超えた予測の進歩が必要である。
既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。
これらの手法は高精度な軌道予測を実現するが、相互作用するエージェントの依存関係に関する情報はほとんど、あるいは全く提供しない。
交通は、相互行動に直接影響を及ぼす非常に相互依存的なエージェントのプロセスであるため、既存の手法は将来の軌道のリスクを確実に評価するのに十分ではない。
本稿では, エージェントペアの共分散行列を 'scene-centric'' 方式で予測し, シーン内のすべてのエージェントペアに対してガウス共同PDFをモデル化する, 動作予測の新しいアプローチを導入することで, ギャップを解消する。
本稿では,これらのエージェント対共分散行列を予測可能なモデルを提案する。
本研究は,提案モデルの予測結果を活用することで,統計的手法を用いた総合的リスクアセスメントの基盤となる。
関連論文リスト
- Enhancing Interaction Modeling with Agent Selection and Physical Methods for Trajectory Prediction [1.6954753390775528]
ASPILinは、現在の車線と将来の車線を考慮し、相互作用するエージェントの選択を強化する新しいアプローチである。
我々の手法は効率的で単純で、他の最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2024-05-21T18:45:18Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳(メタデータ) (2024-03-20T17:41:35Z) - Leveraging Future Relationship Reasoning for Vehicle Trajectory
Prediction [27.614778027454417]
本稿では,車線情報を用いてエージェント間の将来の関係を予測する手法を提案する。
エージェントの粗い将来の動きを得るため,まず車線レベルのウェイポイント占有確率を予測した。
次に,各エージェントペアに対して隣接車線を通過させる時間的確率を利用して,隣接車線を通過するエージェントが高度に相互作用すると仮定する。
論文 参考訳(メタデータ) (2023-05-24T04:33:28Z) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳(メタデータ) (2023-03-01T15:16:56Z) - M2I: From Factored Marginal Trajectory Prediction to Interactive
Prediction [26.49897317427192]
既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。
本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。
提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
論文 参考訳(メタデータ) (2022-02-24T03:28:26Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - Heterogeneous-Agent Trajectory Forecasting Incorporating Class
Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。
さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。
軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文 参考訳(メタデータ) (2021-04-26T10:28:34Z) - Fast Risk Assessment for Autonomous Vehicles Using Learned Models of
Agent Futures [10.358493658420173]
本稿では,自動走行車における軌道のリスクを評価するために,高速な非サンプリング方式を提案する。
提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。
提案手法は、ArgoverseデータセットとCARLAデータセットでトレーニングされたプロパゲートからの現実的な予測に基づいて実証される。
論文 参考訳(メタデータ) (2020-05-27T16:16:36Z)
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。