論文の概要: Improved context-sensitive transformer model for inland vessel trajectory prediction

• arxiv url: http://arxiv.org/abs/2406.02771v1
• Date: Tue, 4 Jun 2024 20:39:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 22:47:37.790949
• Title: Improved context-sensitive transformer model for inland vessel trajectory prediction
• Title（参考訳）: 内陸船舶軌道予測のための文脈感性変換器モデルの改良
• Authors: Kathrin Donandt, Karim Böttger, Dirk Söffker,
• Abstract要約: 物理関連およびモデルに基づく船舶軌道予測は非常に正確であるが、検討中の船舶の具体的な知識が必要である。 機械学習に基づく軌道予測モデルは専門家の知識を必要としないが、大量のデータから抽出された暗黙の知識に依存している。 近年,血管軌跡予測のための深層学習法が提案されている。
• 参考スコア（独自算出の注目度）: 2.287415292857564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-related and model-based vessel trajectory prediction is highly accurate but requires specific knowledge of the vessel under consideration which is not always practical. Machine learning-based trajectory prediction models do not require expert knowledge, but rely on the implicit knowledge extracted from massive amounts of data. Several deep learning (DL) methods for vessel trajectory prediction have recently been suggested. The DL models developed typically only process information about the (dis)location of vessels defined with respect to a global reference system. In the context of inland navigation, this can be problematic, since without knowledge of the limited navigable space, irrealistic trajectories are likely to be determined. If spatial constraintes are introduced, e.g., by implementing an additional submodule to process map data, however, overall complexity increases. Instead of processing the vessel displacement information on the one hand and the spatial information on the other hand, the paper proposes the merging of both information. Here, fairway-related and navigation-related displacement information are used directly. In this way, the previously proposed context-sensitive Classification Transformer (CSCT) shows an improved spatial awareness. Additionally, the CSCT is adapted to assess the model uncertainty by enabling dropout during inference. This approach is trained on different inland waterways to analyze its generalizability. As the improved CSCT obtains lower prediction errors and enables to estimate the trustworthiness of each prediction, it is more suitable for safety-critical applications in inland navigation than previously developed models.
• Abstract（参考訳）: 物理関連およびモデルに基づく船体軌道予測は非常に正確であるが、常に実用的とは限らない船体の具体的な知識が必要である。 機械学習に基づく軌道予測モデルは専門家の知識を必要としないが、大量のデータから抽出された暗黙の知識に依存している。 近年,血管軌跡予測のための深層学習法が提案されている。 DLモデルは一般的に、グローバル参照システムに関して定義された船舶の配置に関する情報のみを処理する。 内陸航法の文脈では、限られた航法空間の知識がなければ、非現実的な軌道が決定される可能性があるため、この問題が問題となる可能性がある。 空間制約が導入された場合、例えば、マップデータを処理するための追加のサブモジュールを実装することで、全体的な複雑さが増大する。 一方の船体変位情報と他方の空間情報を処理する代わりに,両情報の融合を提案する。 ここでは、フェアウェイ関連およびナビゲーション関連変位情報を直接使用する。 このようにして、従来提案されていた文脈依存型分類変換器(CSCT)は、空間認識の向上を示す。 さらに、CSCTは、推論中にドロップアウトを有効にすることにより、モデルの不確実性を評価するように適合する。 このアプローチは、その一般化性を分析するために、異なる内陸水路で訓練されている。 改良されたCSCTは、予測誤差が低く、各予測の信頼性を推定できるため、従来開発されたモデルよりも、内陸航法における安全クリティカルな応用に適している。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Incorporating Navigation Context into Inland Vessel Trajectory Prediction: A Gaussian Mixture Model and Transformer Approach [2.498836880652668]
  船舶の移動がフェアウェイ内で制限されている内陸輸送では、航行コンテキスト情報は不可欠である。 本研究では,多モード分布曲線を生成するためにAISと放電測定の融合データセットを適用した。 これらの分布特徴を組み込むことで予測精度が向上する。
  論文  参考訳（メタデータ） (2024-06-04T14:20:10Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
  本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。 我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。 実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-26T02:08:46Z)
• PEANUT: Predicting and Navigating to Unseen Targets [18.87376347895365]
  新しい環境における効率的なObjectGoalナビゲーション(ObjectNav)は、環境レイアウトにおける空間的および意味的規則性を理解する必要がある。 不完全なセマンティックマップから観測対象の位置を予測し,これらの規則性を学習する手法を提案する。 我々の予測モデルは軽量であり、比較的少量の受動的収集データを用いて教師付きで訓練することができる。
  論文  参考訳（メタデータ） (2022-12-05T18:58:58Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)
• Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive Treatment [5.0283137924084205]
  近年,国際規模の大型商業船に義務付けられているため,自動識別システム(AIS)が重要な役割を担っている。 AISデータに基づく船体経路予測は、将来の海洋インテリジェンスにとって有望な方法である。 本研究では, 船舶経路の正確な予測を行うために, 大規模歴史的AIS軌道セグメントをモデル化するための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-01-02T09:16:40Z)

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。