論文の概要: FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2411.16747v1
• Date: Sat, 23 Nov 2024 23:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:36:28.307910
• Title: FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction
• Title（参考訳）: FollowGen:自動車追従軌道予測のためのスケールノイズ条件拡散モデル
• Authors: Junwei You, Rui Gan, Weizhe Tang, Zilin Huang, Jiaxi Liu, Zhuoyu Jiang, Haotian Shi, Keshu Wu, Keke Long, Sicheng Fu, Sikai Chen, Bin Ran,
• Abstract要約: 本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。 車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。 種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
• 参考スコア（独自算出の注目度）: 9.2729178775419
• License:
• Abstract: Vehicle trajectory prediction is crucial for advancing autonomous driving and advanced driver assistance systems (ADAS). Although deep learning-based approaches - especially those utilizing transformer-based and generative models - have markedly improved prediction accuracy by capturing complex, non-linear patterns in vehicle dynamics and traffic interactions, they frequently overlook detailed car-following behaviors and the inter-vehicle interactions critical for real-world driving applications, particularly in fully autonomous or mixed traffic scenarios. To address the issue, this study introduces a scaled noise conditional diffusion model for car-following trajectory prediction, which integrates detailed inter-vehicular interactions and car-following dynamics into a generative framework, improving both the accuracy and plausibility of predicted trajectories. The model utilizes a novel pipeline to capture historical vehicle dynamics by scaling noise with encoded historical features within the diffusion process. Particularly, it employs a cross-attention-based transformer architecture to model intricate inter-vehicle dependencies, effectively guiding the denoising process and enhancing prediction accuracy. Experimental results on diverse real-world driving scenarios demonstrate the state-of-the-art performance and robustness of the proposed method.
• Abstract（参考訳）: 車両軌道予測は、自動運転と高度運転支援システム(ADAS)の進歩に不可欠である。 ディープラーニングベースのアプローチ - 特にトランスフォーマーベースのモデルと生成モデルを利用する - は、車両力学と交通相互作用の複雑な非線形パターンをキャプチャすることで、予測精度を著しく向上させたが、彼らはしばしば、自動車追従の詳細な振る舞いや、現実世界の運転アプリケーション、特に完全自律的または混合交通シナリオにおいて重要な車間相互作用を見落としている。 そこで本研究では,車両間相互作用と車両追従ダイナミクスを複合した自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案し,予測軌道の精度と妥当性を両立させた。 このモデルは、拡散過程内の歴史的特徴を符号化したノイズをスケーリングすることで、歴史的な車両力学を捉えるために、新しいパイプラインを利用する。 特に、クロスアテンションベースのトランスフォーマーアーキテクチャを使用して、複雑な車間依存関係をモデル化し、デノナイズプロセスを効果的に導くとともに、予測精度を向上させる。 種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。

関連論文リスト

• Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
  本稿では,自律走行のための新しい軌道予測モデルを提案する。 本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。 提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-11-25T15:03:44Z)
• Hypergraph-based Motion Generation with Multi-modal Interaction Relational Reasoning [13.294396870431399]
  現実世界の運転環境は、車両間の動的かつ多様な相互作用によって特徴づけられる。 本研究では,自律走行車(AV)の運動予測のための統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:30:38Z)
• Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction [10.814758830775727]
  本研究では,自動車追従軌道予測のためのクロスアテンショントランスフォーマー拡張拡散モデル (Crossfusor) を提案する。 車両間の詳細な相互作用と自動車追従ダイナミクスを堅牢な拡散フレームワークに統合し、予測された軌道の精度と現実性を改善する。 NGSIMデータセットの実験結果から、クロスファザーは特に長期予測において最先端のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-17T17:35:47Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• 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)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。