論文の概要: Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2503.05274v1
• Date: Fri, 07 Mar 2025 09:46:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:16.741244
• Title: Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction
• Title（参考訳）: マルチモーダル軌道予測のための証拠不確実性推定
• Authors: Sajad Marvi, Christoph Rist, Julian Schmidt, Julian Jordan, Abhinav Valada,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.832351645863536
• License:
• Abstract: Accurate trajectory prediction is crucial for autonomous driving, yet uncertainty in agent behavior and perception noise makes it inherently challenging. While multi-modal trajectory prediction models generate multiple plausible future paths with associated probabilities, effectively quantifying uncertainty remains an open problem. In this work, we propose a novel multi-modal trajectory prediction approach based on evidential deep learning that estimates both positional and mode probability uncertainty in real time. Our approach leverages a Normal Inverse Gamma distribution for positional uncertainty and a Dirichlet distribution for mode uncertainty. Unlike sampling-based methods, it infers both types of uncertainty in a single forward pass, significantly improving efficiency. Additionally, we experimented with uncertainty-driven importance sampling to improve training efficiency by prioritizing underrepresented high-uncertainty samples over redundant ones. We perform extensive evaluations of our method on the Argoverse 1 and Argoverse 2 datasets, demonstrating that it provides reliable uncertainty estimates while maintaining high trajectory prediction accuracy.
• Abstract（参考訳）: 正確な軌道予測は自律運転には不可欠であるが、エージェントの動作や知覚ノイズの不確実性は本質的に困難である。 マルチモーダル軌道予測モデルは、関連する確率を持つ複数の可算な将来の経路を生成するが、効果的に不確実性を定量化することは未解決の問題である。 本研究では,実時間における位置とモードの確率の不確実性の両方を推定する明らかな深層学習に基づく,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, 正規逆ガンマ分布を位置不確実性, ディリクレ分布をモード不確実性に活用する。 サンプリングベースの手法とは異なり、1つのフォワードパスで両方の不確実性を推論し、効率を大幅に改善する。 さらに,未表現の高不確かさサンプルを冗長なサンプルよりも優先することで,トレーニング効率を向上させるために,不確実性駆動の重要度サンプリングを実験した。 提案手法をArgoverse 1およびArgoverse 2データセット上で広範囲に評価し,高い軌道予測精度を維持しつつ信頼性の高い不確実性推定を行うことを示した。

関連論文リスト

• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• STUaNet: Understanding uncertainty in spatiotemporal collective human mobility [11.436035608461966]
  本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。 提案手法は予測と不確かさの両面において優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-09T01:43:27Z)

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。