論文の概要: Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications
- arxiv url: http://arxiv.org/abs/2410.06905v2
- Date: Thu, 10 Oct 2024 07:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 23:37:21.968457
- Title: Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications
- Title（参考訳）: 自律的応用のための信頼性の高い確率的人間軌道予測
- Authors: Manuel Hetzel, Hannes Reichert, Konrad Doll, Bernhard Sick,
- Abstract要約: 車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。
本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。
自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
- 参考スコア（独自算出の注目度）: 1.8294777056635267
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Autonomous systems, like vehicles or robots, require reliable, accurate, fast, resource-efficient, scalable, and low-latency trajectory predictions to get initial knowledge about future locations and movements of surrounding objects for safe human-machine interaction. Furthermore, they need to know the uncertainty of the predictions for risk assessment to provide safe path planning. This paper presents a lightweight method to address these requirements, combining Long Short-Term Memory and Mixture Density Networks. Our method predicts probability distributions, including confidence level estimations for positional uncertainty to support subsequent risk management applications and runs on a low-power embedded platform. We discuss essential requirements for human trajectory prediction in autonomous vehicle applications and demonstrate our method's performance using multiple traffic-related datasets. Furthermore, we explain reliability and sharpness metrics and show how important they are to guarantee the correctness and robustness of a model's predictions and uncertainty assessments. These essential evaluations have so far received little attention for no good reason. Our approach focuses entirely on real-world applicability. Verifying prediction uncertainties and a model's reliability are central to autonomous real-world applications. Our framework and code are available at: https://github.com/kav-institute/mdn_trajectory_forecasting.
- Abstract（参考訳）: 車両やロボットのような自律システムは、安全で正確で、リソース効率が高く、スケーラブルで、低レイテンシな軌道予測を必要とする。
さらに、安全な経路計画を提供するためには、リスク評価の予測の不確実性を知る必要がある。
本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。
提案手法は,次のリスク管理アプリケーションをサポートするための位置不確実性に対する信頼度推定を含む確率分布を予測し,低消費電力の組込みプラットフォーム上で動作させる。
自動運転車アプリケーションにおける人体軌道予測の必須要件について検討し、複数の交通関連データセットを用いて本手法の性能を実証する。
さらに、信頼性と鋭さの指標を説明し、モデルの予測と不確実性評価の正確性と堅牢性を保証することがいかに重要であるかを示す。
これらの本質的な評価は、正当な理由からほとんど注目されていない。
私たちのアプローチは、実世界の適用性に重点を置いています。
予測の不確かさの検証とモデルの信頼性は、自律現実の応用の中心である。
私たちのフレームワークとコードは、https://github.com/kav-institute/mdn_trajectory_forecasting.comで利用可能です。
関連論文リスト
- 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) - KI-PMF: Knowledge Integrated Plausible Motion Forecasting [11.311561045938546]
現在の軌道予測手法は、主に特定の計量で損失関数を最適化することに集中している。
我々の目的は、車両の運動的制約の双方に応じて、ネットワークが将来の軌跡を予測できる明示的な知識事前を組み込むことである。
提案手法は,複雑な状況と動的状況の両方において,交通アクタの到達可能性を保証するように設計されている。
論文 参考訳（メタデータ） (2023-10-18T14:40:52Z) - Self-Aware Trajectory Prediction for Safe Autonomous Driving [9.868681330733764]
軌道予測は、自動運転ソフトウェアスタックの重要なコンポーネントの1つである。
本稿では,自己認識軌道予測手法を提案する。
提案手法は, 自己認識, メモリフットプリント, リアルタイム性能で良好に動作した。
論文 参考訳（メタデータ） (2023-05-16T03:53:23Z) - Uncertainty Estimation based on Geometric Separation [13.588210692213568]
機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
論文 参考訳（メタデータ） (2023-01-11T13:19:24Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳（メタデータ） (2021-10-04T17:59:31Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳（メタデータ） (2021-01-05T18:54:11Z) - CARPAL: Confidence-Aware Intent Recognition for Parallel Autonomy [24.358828325716427]
本稿では,確率的ドライバ軌道だけでなく,下流タスクの予測に付随する実用統計も予測する,新しいマルチタスク意図認識ニューラルネットワークを提案する。
我々は,現実的な都市運転データセット上でオンラインシステムをテストし,基準手法と比較して,リコールとフォールアウトの指標でその利点を実証する。
論文 参考訳（メタデータ） (2020-03-18T01:25:06Z)
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。