論文の概要: A Structure-Aware Lane Graph Transformer Model for Vehicle Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2405.20121v1
- Date: Thu, 30 May 2024 14:57:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 13:58:47.030957
- Title: A Structure-Aware Lane Graph Transformer Model for Vehicle Trajectory Prediction
- Title（参考訳）: 車両軌道予測のための構造対応レーングラフ変換器モデル
- Authors: Sun Zhanbo, Dong Caiyin, Ji Ang, Zhao Ruibin, Zhao Yu,
- Abstract要約: Lane Graph Transformer (LGT)モデル。
主な貢献は、地図トポロジー構造を注意機構に符号化することである。
その結果,提案したLGTモデルにより,Argoverse 2データセット上での予測性能が大幅に向上することが示唆された。
- 参考スコア（独自算出の注目度）: 23.13229467105873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of future trajectories for surrounding vehicles is vital for the safe operation of autonomous vehicles. This study proposes a Lane Graph Transformer (LGT) model with structure-aware capabilities. Its key contribution lies in encoding the map topology structure into the attention mechanism. To address variations in lane information from different directions, four Relative Positional Encoding (RPE) matrices are introduced to capture the local details of the map topology structure. Additionally, two Shortest Path Distance (SPD) matrices are employed to capture distance information between two accessible lanes. Numerical results indicate that the proposed LGT model achieves a significantly higher prediction performance on the Argoverse 2 dataset. Specifically, the minFDE$_6$ metric was decreased by 60.73% compared to the Argoverse 2 baseline model (Nearest Neighbor) and the b-minFDE$_6$ metric was reduced by 2.65% compared to the baseline LaneGCN model. Furthermore, ablation experiments demonstrated that the consideration of map topology structure led to a 4.24% drop in the b-minFDE$_6$ metric, validating the effectiveness of this model.
- Abstract（参考訳）: 周辺車両の将来の軌道の正確な予測は、自動運転車の安全な運転に不可欠である。
本研究では,構造認識機能を備えた Lane Graph Transformer (LGT) モデルを提案する。
その重要な貢献は、地図トポロジー構造を注意機構に符号化することにある。
異なる方向からのレーン情報の変化に対処するために、マップトポロジ構造の局所的な詳細を捉えるために、4つの相対位置エンコーディング(RPE)行列を導入する。
さらに、2つの最短経路距離(SPD)行列を用いて、2つのアクセス可能な車線間の距離情報をキャプチャする。
数値計算の結果,提案したLGTモデルにより,Argoverse 2データセット上での予測性能が大幅に向上することが示唆された。
具体的には、minFDE$_6$メトリックをArgoverse 2ベースラインモデル(Nearest Neighbor)と比較して60.73%削減し、b-minFDE$_6$メトリックをLaneGCNモデルと比較して2.65%削減した。
さらに、アブレーション実験により、地図トポロジー構造の考慮により、b-minFDE$_6$の計量が4.24%低下し、このモデルの有効性が検証された。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - SAPI: Surroundings-Aware Vehicle Trajectory Prediction at Intersections [4.982485708779067]
SAPIは交差点での車両軌道を予測するためのディープラーニングモデルである。
提案モデルは2つの畳み込みニューラルネットワーク(CNN)と1つのデコーダからなる。
我々は、自動運転車を介して現実世界の交差点で収集されたプロプライエタリなデータセット上でSAPIを評価する。
論文 参考訳（メタデータ） (2023-06-02T07:10:45Z) - Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms [0.0]
異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
論文 参考訳（メタデータ） (2022-04-20T22:55:59Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳（メタデータ） (2022-03-21T17:59:40Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳（メタデータ） (2021-05-17T12:19:22Z) - Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。
この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。
本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
論文 参考訳（メタデータ） (2021-04-01T14:19:37Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳（メタデータ） (2020-03-17T03:52:17Z)
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。