論文の概要: Scene-Specific Trajectory Sets: Maximizing Representation in Motion Forecasting

• arxiv url: http://arxiv.org/abs/2407.20732v1
• Date: Tue, 30 Jul 2024 11:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 17:30:03.445097
• Title: Scene-Specific Trajectory Sets: Maximizing Representation in Motion Forecasting
• Title（参考訳）: シーン特異的軌道集合:動き予測における表現の最大化
• Authors: Abhishek Vivekanandan, J. Marius Zöllner,
• Abstract要約: 本研究では,将来的なアクター行動の多様性と許容度をよりよく表現する,シーン固有の軌道集合を生成するための新しい手法を提案する。 本手法は,交差点や非交差点など,異なるシーンコンテキストに合わせた複数のトラジェクトリセットを構築する。 本研究は,現実の運転シナリオにおけるアクター行動の複雑で異質な性質を捉えるために,シーン対応トラジェクトリ・セット・ジェネレーションの利点を強調した。
• 参考スコア（独自算出の注目度）: 12.335528093380631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representing diverse and plausible future trajectories of actors is crucial for motion forecasting in autonomous driving. However, efficiently capturing the true trajectory distribution with a compact set is challenging. In this work, we propose a novel approach for generating scene-specific trajectory sets that better represent the diversity and admissibility of future actor behavior. Our method constructs multiple trajectory sets tailored to different scene contexts, such as intersections and non-intersections, by leveraging map information and actor dynamics. We introduce a deterministic goal sampling algorithm that identifies relevant map regions and generates trajectories conditioned on the scene layout. Furthermore, we empirically investigate various sampling strategies and set sizes to optimize the trade-off between coverage and diversity. Experiments on the Argoverse 2 dataset demonstrate that our scene-specific sets achieve higher plausibility while maintaining diversity compared to traditional single-set approaches. The proposed Recursive In-Distribution Subsampling (RIDS) method effectively condenses the representation space and outperforms metric-driven sampling in terms of trajectory admissibility. Our work highlights the benefits of scene-aware trajectory set generation for capturing the complex and heterogeneous nature of actor behavior in real-world driving scenarios.
• Abstract（参考訳）: 自律運転における運動予測には,多種多様な未来のアクターの軌跡を表現することが不可欠である。 しかし、コンパクトな集合で真の軌道分布を効率的に捉えることは困難である。 本研究では,未来の俳優行動の多様性と許容度をよりよく表現する,シーン固有の軌道集合を生成するための新しい手法を提案する。 本手法は,地図情報やアクタダイナミクスを活用することで,交差点や非交差点など,異なるシーンコンテキストに合わせた複数のトラジェクトリセットを構築する。 決定論的ゴールサンプリングアルゴリズムを導入し、関連するマップ領域を特定し、シーンレイアウトに条件付き軌跡を生成する。 さらに,種々のサンプリング戦略と設定サイズを実証的に検討し,範囲と多様性のトレードオフを最適化する。 Argoverse 2データセットの実験では、シーン固有のセットは従来の単一セットのアプローチと比較して、多様性を維持しながら高い妥当性が得られることが示された。 提案した再帰的分布サブサンプリング(RIDS)法は, 表現空間を効果的に凝縮し, トラジェクトリ適応性の観点から, 計量駆動サンプリングより優れる。 本研究は,現実の運転シナリオにおけるアクター行動の複雑で異質な性質を捉えるために,シーン対応トラジェクトリセット生成の利点を強調した。

関連論文リスト

• A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
  本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。 我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。 本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
  論文  参考訳（メタデータ） (2023-09-21T22:10:20Z)
• Diverse Probabilistic Trajectory Forecasting with Admissibility Constraints [19.977040198878978]
  本稿では,多様な軌跡の構造化予測手法を提案する。 これら2つの新しいコンポーネントをゲーティング操作と組み合わせて、予測が多様かつ乾燥可能な領域内にあることを保証します。 我々は、nuScenes駆動データセットについて、複合アプローチの妥当性を実証する。
  論文  参考訳（メタデータ） (2023-02-07T13:36:27Z)
• Forecasting Human Trajectory from Scene History [51.72069374835107]
  我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
  論文  参考訳（メタデータ） (2022-10-17T03:56:02Z)
• 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)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Complementary Boundary Generator with Scale-Invariant Relation Modeling for Temporal Action Localization: Submission to ActivityNet Challenge 2020 [66.4527310659592]
  本報告では,ActivityNet Challenge 2020 Task 1への提出時に使用したソリューションの概要を紹介する。 時間的行動ローカライゼーションタスクを2段階(すなわち提案生成と分類)に分離し,提案の多様性を高める。 提案手法は,課題テストセット上での平均mAPを用いて,時間的動作の局所化タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-20T04:35:40Z)
• MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory Prediction in Mixed Traffic [35.22312783822563]
  都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。 本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。 推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
  論文  参考訳（メタデータ） (2020-02-14T11:04:41Z)

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。