論文の概要: C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2412.13231v2
• Date: Mon, 23 Dec 2024 11:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:18:31.18248
• Title: C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction
• Title（参考訳）: C2F-TP:不確かさを意識した軌道予測のための粗悪な特定フレームワーク
• Authors: Zichen Wang, Hao Miao, Senzhang Wang, Renzhi Wang, Jianxin Wang, Jian Zhang,
• Abstract要約: C2F-TPは不確実性を考慮した車両軌道予測のための粗大きめのデノケーションフレームワークである。 C2F-TPは、2段階の粗大な予測プロセスが革新的である。
• 参考スコア（独自算出の注目度）: 28.462298047242367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting the trajectory of vehicles is critically important for ensuring safety and reliability in autonomous driving. Although considerable research efforts have been made recently, the inherent trajectory uncertainty caused by various factors including the dynamic driving intends and the diverse driving scenarios still poses significant challenges to accurate trajectory prediction. To address this issue, we propose C2F-TP, a coarse-to-fine denoising framework for uncertainty-aware vehicle trajectory prediction. C2F-TP features an innovative two-stage coarse-to-fine prediction process. Specifically, in the spatial-temporal interaction stage, we propose a spatial-temporal interaction module to capture the inter-vehicle interactions and learn a multimodal trajectory distribution, from which a certain number of noisy trajectories are sampled. Next, in the trajectory refinement stage, we design a conditional denoising model to reduce the uncertainty of the sampled trajectories through a step-wise denoising operation. Extensive experiments are conducted on two real datasets NGSIM and highD that are widely adopted in trajectory prediction. The result demonstrates the effectiveness of our proposal.
• Abstract（参考訳）: 自動車の軌道を正確に予測することは、自動運転の安全性と信頼性を確保する上で極めて重要である。 近年、かなりの研究努力がなされているが、動的な運転意図や様々な運転シナリオなど様々な要因によって引き起こされる固有の軌道不確実性は、正確な軌道予測に重大な課題を生じさせている。 この問題に対処するために,不確実性を考慮した車両軌道予測のための粗大な偏極化フレームワークであるC2F-TPを提案する。 C2F-TPは、2段階の粗大な予測プロセスが革新的である。 具体的には,空間的・時間的相互作用の段階において,車間相互作用を捉える空間的・時間的相互作用モジュールを提案する。 次に, 軌道改善段階において, ステップワイズ動作によるサンプル軌道の不確実性を低減するために, 条件デノナイジングモデルを設計する。 軌跡予測に広く採用されているNGSIMとHighDの2つの実データに対して,大規模な実験を行った。 その結果,提案の有効性が示された。

関連論文リスト

• Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction [10.832351645863536]
  本稿では, 顕在的深層学習に基づく新しいマルチモーダル軌道予測手法を提案する。 提案手法は, 位置的, モード的確率的不確実性の両方をリアルタイムに推定する。 我々はArgoverse 1 と Argoverse 2 のデータセット上で,提案手法の広範な評価を行う。
  論文  参考訳（メタデータ） (2025-03-07T09:46:21Z)
• FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
  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。
  論文  参考訳（メタデータ） (2024-11-23T23:13:45Z)
• TrajDiffuse: A Conditional Diffusion Model for Environment-Aware Trajectory Prediction [16.188078087197106]
  本稿では,新しい条件付き拡散モデルを用いた計画に基づく軌道予測手法であるTrajDiffuseを提案する。 本研究では, 軌道予測問題を不特定課題として定式化し, 拡散過程の地図に基づくガイダンス項を設計する。 TrajDiffuseは、環境制約にほぼ完全に準拠しながら、SOTAの正確さと多様性を一致または超過する軌道予測を生成することができる。
  論文  参考訳（メタデータ） (2024-10-14T17:59:03Z)
• 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)
• Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set Prediction [12.336412741837407]
  本研究は,高度軌跡予測ネットワークとDOS予測モジュールを効果的に組み合わせた,DOS予測のための新しい手法を提案する。 本研究の革新的な貢献は、複雑なシナリオをナビゲートするための新しいDOS予測モデルの開発である。
  論文  参考訳（メタデータ） (2024-02-29T17:36:39Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Trajectory Prediction with Observations of Variable-Length for Motion Planning in Highway Merging scenarios [5.193470362635256]
  既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。 本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。 2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
  論文  参考訳（メタデータ） (2023-06-08T18:03:48Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Improving Diversity of Multiple Trajectory Prediction based on Map-adaptive Lane Loss [12.963269946571476]
  本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。 Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-06-17T09:09:51Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• 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)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。