Fugu-MT 論文翻訳(概要): ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties

論文の概要: ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties

arxiv url: http://arxiv.org/abs/2405.00797v1
Date: Wed, 1 May 2024 18:16:55 GMT
ステータス: 処理完了
システム内更新日: 2024-05-03 20:32:52.764171
Title: ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties
Title（参考訳）: ADM:不確かさ下でのロバスト動作予測のための推定前処理による加速拡散モデル
Authors: Jiahui Li, Tianle Shen, Zekai Gu, Jiawei Sun, Chengran Yuan, Yuhang Han, Shuo Sun, Marcelo H. Ang Jr,
Abstract要約: 本稿では,騒音に対する抵抗性を高めたエージェントの将来の軌道を積極的に予測する,拡散型・加速可能な新しいフレームワークを提案する。本手法は,自律走行車に必要な厳格なリアルタイム運転基準を満たす。 Argoverse 1のモーション予測データセット上でのマルチエージェント動作予測において,大幅な改善を実現している。
参考スコア（独自算出の注目度）: 6.865435680843742
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Motion prediction is a challenging problem in autonomous driving as it demands the system to comprehend stochastic dynamics and the multi-modal nature of real-world agent interactions. Diffusion models have recently risen to prominence, and have proven particularly effective in pedestrian motion prediction tasks. However, the significant time consumption and sensitivity to noise have limited the real-time predictive capability of diffusion models. In response to these impediments, we propose a novel diffusion-based, acceleratable framework that adeptly predicts future trajectories of agents with enhanced resistance to noise. The core idea of our model is to learn a coarse-grained prior distribution of trajectory, which can skip a large number of denoise steps. This advancement not only boosts sampling efficiency but also maintains the fidelity of prediction accuracy. Our method meets the rigorous real-time operational standards essential for autonomous vehicles, enabling prompt trajectory generation that is vital for secure and efficient navigation. Through extensive experiments, our method speeds up the inference time to 136ms compared to standard diffusion model, and achieves significant improvement in multi-agent motion prediction on the Argoverse 1 motion forecasting dataset.
Abstract（参考訳）: 運動予測は、システムが確率力学と実世界のエージェント相互作用のマルチモーダルな性質を理解することを要求するため、自律運転において難しい問題である。拡散モデルは近年注目され、特に歩行者の動き予測タスクに有効であることが証明されている。しかし、ノイズに対する時間消費と感度は拡散モデルのリアルタイム予測能力を制限している。これらの障害に対する応答として,ノイズ耐性を増強したエージェントの将来の軌跡を適応的に予測する,拡散型・加速可能な新しいフレームワークを提案する。我々のモデルの中核となる考え方は、軌道の粗い粒度の前の分布を学習することであり、これは多くの難解なステップをスキップすることができる。この進歩によりサンプリング効率が向上するだけでなく、予測精度も向上する。本手法は、自律走行車に必要な厳格なリアルタイム運転基準を満たし、安全かつ効率的な航法に不可欠な高速な軌道生成を可能にする。実験により,提案手法は標準拡散モデルと比較して推定時間を136msに高速化し,Argoverse 1運動予測データセット上でのマルチエージェント動作予測を大幅に改善する。

関連論文リスト

MDMP: Multi-modal Diffusion for supervised Motion Predictions with uncertainty [7.402769693163035]
本稿では,運動予測のための多モード拡散モデルを提案する。骨格データと行動のテキスト記述を統合し、定量性のある不確実性を伴う洗練された長期動作予測を生成する。我々のモデルは、長期動作を正確に予測する上で、既存の生成技術よりも一貫して優れている。
論文参考訳（メタデータ） (2024-10-04T18:49:00Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Multi-agent Traffic Prediction via Denoised Endpoint Distribution [23.767783008524678]
高速での軌道予測には歴史的特徴と周囲の物体との相互作用が必要である。軌道予測のためのDenoized Distributionモデルを提案する。我々のアプローチは、エンドポイント情報によるモデルの複雑さとパフォーマンスを著しく削減します。
論文参考訳（メタデータ） (2024-05-11T15:41:32Z)
Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文参考訳（メタデータ） (2024-03-20T02:58:45Z)
GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
論文参考訳（メタデータ） (2023-11-25T03:55:06Z)
DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
論文参考訳（メタデータ） (2023-10-23T05:04:23Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。提案手法は,既存手法の予測性能を常に向上することを示す。
論文参考訳（メタデータ） (2022-04-12T14:59:48Z)
Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2022-03-25T16:59:08Z)
FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-03-05T11:35:27Z)
The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。本稿では,構造的事前を損失関数として組み込むことを提案する。実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。