Fugu-MT 論文翻訳(概要): Motion Forecasting via Model-Based Risk Minimization

論文の概要: Motion Forecasting via Model-Based Risk Minimization

arxiv url: http://arxiv.org/abs/2409.10585v2
Date: Fri, 20 Sep 2024 08:01:05 GMT
ステータス: エラー
システム内更新日: 2024-09-23 09:51:38.141248
Title: Motion Forecasting via Model-Based Risk Minimization
Title（参考訳）:
Authors: Aron Distelzweig, Eitan Kosman, Andreas Look, Faris Janjoš, Denesh K. Manivannan, Abhinav Valada,
Abstract要約: 要約中
参考スコア（独自算出の注目度）: 8.766024024417316
License:
Abstract: Forecasting the future trajectories of surrounding agents is crucial for autonomous vehicles to ensure safe, efficient, and comfortable route planning. While model ensembling has improved prediction accuracy in various fields, its application in trajectory prediction is limited due to the multi-modal nature of predictions. In this paper, we propose a novel sampling method applicable to trajectory prediction based on the predictions of multiple models. We first show that conventional sampling based on predicted probabilities can degrade performance due to missing alignment between models. To address this problem, we introduce a new method that generates optimal trajectories from a set of neural networks, framing it as a risk minimization problem with a variable loss function. By using state-of-the-art models as base learners, our approach constructs diverse and effective ensembles for optimal trajectory sampling. Extensive experiments on the nuScenes prediction dataset demonstrate that our method surpasses current state-of-the-art techniques, achieving top ranks on the leaderboard. We also provide a comprehensive empirical study on ensembling strategies, offering insights into their effectiveness. Our findings highlight the potential of advanced ensembling techniques in trajectory prediction, significantly improving predictive performance and paving the way for more reliable predicted trajectories.
Abstract（参考訳）:

関連論文リスト

Elucidating the Design Choice of Probability Paths in Flow Matching for Forecasting [44.24834367720476]
フローマッチングは、最近、強力なパラダイム生成モデリングとして登場した。本研究では,フローマッチングを伴う時間的予測データが,確率パスモデルの選択に非常に敏感であることを示す。そこで本研究では,予測性能向上のための新しい確率パスモデルを提案する。
論文参考訳（メタデータ） (2024-10-04T08:34:14Z)
Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
論文参考訳（メタデータ） (2024-09-17T13:26:17Z)
Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。本稿では,軌道予測作業に適した認証手法を提案する。非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。本稿では,多エージェント軌道予測のための拡散モデルを提案する。このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文参考訳（メタデータ） (2024-03-18T10:35:15Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction [9.385936248154987]
軌道予測は、未来の軌道を予測するために、交通機関の不確定の性質をモデル化する重要なタスクである。 SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。提案手法では,経路点の空間的領域にまたがる過去の観測軌跡の,クリーンでノイズを増進したビューを作成する。
論文参考訳（メタデータ） (2023-11-26T19:03:41Z)
Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文参考訳（メタデータ） (2022-05-20T07:02:03Z)
Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
論文参考訳（メタデータ） (2021-03-06T04:49:24Z)
Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-03T14:57:24Z)
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。