Fugu-MT 論文翻訳(概要): Trajectory Prediction for Autonomous Driving using Agent-Interaction Graph Embedding

論文の概要: Trajectory Prediction for Autonomous Driving using Agent-Interaction Graph Embedding

arxiv url: http://arxiv.org/abs/2410.23298v1
Date: Tue, 15 Oct 2024 20:56:27 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-03 08:19:24.543859
Title: Trajectory Prediction for Autonomous Driving using Agent-Interaction Graph Embedding
Title（参考訳）: エージェント相互作用グラフ埋め込みを用いた自律走行の軌道予測
Authors: Jilan Samiuddin, Benoit Boulet, Di Wu,
Abstract要約: AiGem(Agent-Interaction Graph Embedding)は、自動運転車の周囲の交通渋滞を予測する。その結果、AiGemは最先端のディープラーニングアルゴリズムより優れており、予測の地平線が長くなることが判明した。
参考スコア（独自算出の注目度）: 6.907105812732423
License:
Abstract: Trajectory prediction module in an autonomous driving system is crucial for the decision-making and safety of the autonomous agent car and its surroundings. This work presents a novel scheme called AiGem (Agent-Interaction Graph Embedding) to predict traffic vehicle trajectories around the autonomous car. AiGem tackles this problem in four steps. First, AiGem formulates the historical traffic interaction with the autonomous agent as a graph in two steps: (1) at each time step of the history frames, agent-interactions are captured using spatial edges between the agents (nodes of the graph), and then, (2) connects the spatial graphs in chronological order using temporal edges. Then, AiGem applies a depthwise graph encoder network on the spatial-temporal graph to generate graph embedding, i.e., embedding of all the nodes in the graph. Next, a sequential Gated Recurrent Unit decoder network uses the embedding of the current timestamp to get the decoded states. Finally, an output network comprising a Multilayer Perceptron is used to predict the trajectories utilizing the decoded states as its inputs. Results show that AiGem outperforms the state-of-the-art deep learning algorithms for longer prediction horizons.
Abstract（参考訳）: 自律運転システムにおける軌道予測モジュールは、自律エージェント車とその周囲の意思決定と安全性に不可欠である。この研究はAiGem(Agent-Interaction Graph Embedding)と呼ばれる新しいスキームを提示し、自動運転車の周囲の交通渋滞を予測する。 AiGemは4つのステップでこの問題に取り組む。まず、AiGemは、(1)履歴フレームの各段階において、エージェント間の空間的エッジ(グラフのノード)を用いてエージェント-インタラクションをキャプチャし、(2)時間的エッジを用いて、時間的エッジを用いて時間的順序で空間的グラフを接続する。次に、AiGem は空間時間グラフ上に深度ワイドグラフエンコーダネットワークを適用してグラフ埋め込み、すなわちグラフ内のすべてのノードの埋め込みを生成する。次に、シーケンシャルなGated Recurrent Unitデコーダネットワークは、現在のタイムスタンプの埋め込みを使用して、デコードされた状態を取得する。最後に、多層パーセプトロンからなる出力ネットワークを用いて、復号された状態を入力としてトラジェクトリを予測する。その結果、AiGemは最先端のディープラーニングアルゴリズムより優れており、予測の地平線が長くなることが判明した。

関連論文リスト

Hierarchical Graph Structures for Congestion and ETA Prediction [0.0]
Traffic4castは、リアルタイムデータに基づいて時間的トラフィックを予測するための年次コンペティションである。本論文では,OpenStreetMapデータから抽出した道路グラフトポロジを直接処理するニューラルネットワークを用いたアプローチを提案する。我々のアーキテクチャは階層的なグラフ表現を組み込んで、グラフの鍵交点とそれらを接続する最短経路の間の情報の流れを改善することができる。
論文参考訳（メタデータ） (2022-11-21T15:35:27Z)
GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文参考訳（メタデータ） (2022-11-04T16:10:50Z)
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文参考訳（メタデータ） (2022-06-07T09:08:35Z)
HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
論文参考訳（メタデータ） (2022-04-30T07:08:30Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。静的および動的駆動コンテキストを階層的にエンコードする。提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文参考訳（メタデータ） (2021-11-02T13:42:16Z)
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文参考訳（メタデータ） (2021-09-27T02:20:38Z)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction [53.473846742702854]
本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。 Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
論文参考訳（メタデータ） (2021-08-12T15:53:37Z)
Understanding Dynamic Scenes using Graph Convolution Networks [22.022759283770377]
本稿では,移動カメラが捉えた時間順のフレーム列から道路車両の挙動をモデル化する新しい枠組みを提案する。微調整に頼らずに複数のデータセットへの学習のシームレスな移行を示す。このような振る舞い予測手法は,様々なナビゲーションタスクにおいて即時関連性を見出す。
論文参考訳（メタデータ） (2020-05-09T13:05:06Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)

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。