Fugu-MT 論文翻訳(概要): MapsTP: HD Map Images Based Multimodal Trajectory Prediction for Automated Vehicles

論文の概要: MapsTP: HD Map Images Based Multimodal Trajectory Prediction for Automated Vehicles

arxiv url: http://arxiv.org/abs/2407.05811v1
Date: Mon, 8 Jul 2024 10:45:30 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 16:00:10.820080
Title: MapsTP: HD Map Images Based Multimodal Trajectory Prediction for Automated Vehicles
Title（参考訳）: MapTP:HDマップ画像を用いた自動車両のマルチモーダル軌道予測
Authors: Sushil Sharma, Arindam Das, Ganesh Sistu, Mark Halton, Ciarán Eising,
Abstract要約: 我々はResNet-50を利用して高精細マップデータから画像の特徴を抽出し、IMUセンサデータを用いて速度、加速度、ヨーレートを計算する。時間確率ネットワークを用いて潜在的な軌道を計算し、最も正確で高い確率の軌道経路を選択する。
参考スコア（独自算出の注目度）: 8.229161517598373
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting ego vehicle trajectories remains a critical challenge, especially in urban and dense areas due to the unpredictable behaviours of other vehicles and pedestrians. Multimodal trajectory prediction enhances decision-making by considering multiple possible future trajectories based on diverse sources of environmental data. In this approach, we leverage ResNet-50 to extract image features from high-definition map data and use IMU sensor data to calculate speed, acceleration, and yaw rate. A temporal probabilistic network is employed to compute potential trajectories, selecting the most accurate and highly probable trajectory paths. This method integrates HD map data to improve the robustness and reliability of trajectory predictions for autonomous vehicles.
Abstract（参考訳）: エゴ自動車の軌道予測は、特に他の車両や歩行者の予測不可能な振る舞いのため、都市部や密集地域では、依然として重要な課題である。マルチモーダル軌跡予測は, 多様な環境データに基づいて, 複数の将来の軌跡を考慮し, 意思決定を促進する。本研究では,ResNet-50を用いて高精細マップデータから画像の特徴を抽出し,IMUセンサデータを用いて速度,加速度,ヨーレートを算出する。時間確率ネットワークを用いて潜在的な軌道を計算し、最も正確で高い確率の軌道経路を選択する。この方法はHDマップデータを統合して、自動運転車の軌道予測の堅牢性と信頼性を向上させる。

関連論文リスト

Multimodal Trajectory Prediction for Autonomous Driving on Unstructured Roads using Deep Convolutional Network [15.950227451262919]
露天掘り鉱業における自動運転の応用は、安全で効率的な輸送を実現するための注目を集めている。対象車両の複数の軌道とその確率を予測する手法を提案する。この方法は、オープンピットマイニングにおける自律運転シナリオに特化したデータセット上で、オフラインでテストされた。
論文参考訳（メタデータ） (2024-09-27T02:29:02Z)
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)
Video Killed the HD-Map: Predicting Multi-Agent Behavior Directly From Aerial Images [14.689298253430568]
本稿では,最小限のアノテーションを必要とする航空画像ベースマップ(AIM)の表現を提案し,歩行者や車両などの交通機関に道路状況情報を提供する。以上の結果から,特にAIM表現を用いた歩行者の競合的マルチエージェント軌道予測性能が示された。
論文参考訳（メタデータ） (2023-05-19T17:48:01Z)
An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-04-19T15:42:03Z)
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文参考訳（メタデータ） (2023-01-06T15:13:23Z)
Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文参考訳（メタデータ） (2022-09-26T13:18:32Z)
PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文参考訳（メタデータ） (2022-04-21T23:01:21Z)
Vehicle predictive trajectory patterns from isochronous data [0.0]
本稿では,ビデオ,ArduinoUno,コンパスセンサHDMM01からのデータ融合を用いて,グラーツ(オーストリア)における等時軌道パターンの評価とマッピングを行う。本研究は, 軌道パターンが現在の軌道パターンの進化を予測することに成功し, 将来の走行状況を評価することができることを示した。
論文参考訳（メタデータ） (2020-10-10T15:17:19Z)
Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。本稿では,従来のアプローチのさらなる発展について述べる。複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文参考訳（メタデータ） (2020-08-09T09:26:30Z)
PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文参考訳（メタデータ） (2020-05-29T17:57:25Z)
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)

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。