論文の概要: Future-Aware Interaction Network For Motion Forecasting

• arxiv url: http://arxiv.org/abs/2503.06565v1
• Date: Sun, 09 Mar 2025 11:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:48:48.873625
• Title: Future-Aware Interaction Network For Motion Forecasting
• Title（参考訳）: 動き予測のための将来対応型インタラクションネットワーク
• Authors: Shijie Li, Xun Xu, Si Yong Yeo, Xulei Yang,
• Abstract要約: 本稿では,シーンエンコーディングに将来的な軌跡を取り入れたインタラクションベースの「Future-Aware Interaction Network」を提案する。 空間的相互作用モデリングにMambaを適用するために,未順序データを構造化シーケンスに変換する適応的リオーダー戦略を提案する。 マンバは、生成した将来の軌道を時間的に洗練し、より一貫した予測を保証するために使用される。
• 参考スコア（独自算出の注目度）: 10.211526610529374
• License:
• Abstract: Motion forecasting is a crucial component of autonomous driving systems, enabling the generation of accurate and smooth future trajectories to ensure safe navigation to the destination. In previous methods, potential future trajectories are often absent in the scene encoding stage, which may lead to suboptimal outcomes. Additionally, prior approaches typically employ transformer architectures for spatiotemporal modeling of trajectories and map information, which suffer from the quadratic scaling complexity of the transformer architecture. In this work, we propose an interaction-based method, named Future-Aware Interaction Network, that introduces potential future trajectories into scene encoding for a comprehensive traffic representation. Furthermore, a State Space Model (SSM), specifically Mamba, is introduced for both spatial and temporal modeling. To adapt Mamba for spatial interaction modeling, we propose an adaptive reordering strategy that transforms unordered data into a structured sequence. Additionally, Mamba is employed to refine generated future trajectories temporally, ensuring more consistent predictions. These enhancements not only improve model efficiency but also enhance the accuracy and diversity of predictions. We conduct comprehensive experiments on the widely used Argoverse 1 and Argoverse 2 datasets, demonstrating that the proposed method achieves superior performance compared to previous approaches in a more efficient way. The code will be released according to the acceptance.
• Abstract（参考訳）: 運動予測は自律運転システムにおいて重要な要素であり、正確でスムーズな将来の軌道生成を可能にし、目的地への安全なナビゲーションを確実にする。 従来の手法では、シーンエンコーディングの段階では将来的な軌跡が欠落することが多く、最適以下の結果をもたらす可能性がある。 さらに、従来のアプローチでは、典型的にはトランスフォーマーアーキテクチャを使用してトラジェクトリとマップ情報の時空間モデリングを行うが、これはトランスフォーマーアーキテクチャの2次スケーリングの複雑さに悩まされている。 本研究では,交通の包括的表現のためのシーンエンコーディングに将来の軌跡を導入する,Future-Aware Interaction Networkというインタラクションベースの手法を提案する。 さらに、空間モデルと時間モデルの両方に、特にMambaという状態空間モデル(SSM)を導入している。 空間的相互作用モデリングにMambaを適用するために,未順序データを構造化シーケンスに変換する適応的リオーダー戦略を提案する。 さらに、マンバは生成した将来の軌道を時間的に洗練し、より一貫した予測を保証するために使用される。 これらの拡張はモデル効率を改善するだけでなく、予測の精度と多様性を向上させる。 本研究では,広く使用されているArgoverse 1およびArgoverse 2データセットの総合的な実験を行い,提案手法が従来の手法と比較して,より効率的な方法で優れた性能を実現することを示す。 コードは受け入れに応じてリリースされます。

関連論文リスト

• AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
  CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。 我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。 提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
  論文  参考訳（メタデータ） (2024-07-01T16:32:15Z)
• OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment [0.0]
  環境中の全ての動的オブジェクトの将来の挙動を予測するために,エンド・ツー・エンドのニューラルネットワーク手法を提案する。 本稿では, 終点誤差の大幅な低減を図った新しい時間重み付きモーションフロー損失を提案する。
  論文  参考訳（メタデータ） (2024-04-02T19:37:58Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• CoMusion: Towards Consistent Stochastic Human Motion Prediction via Motion Diffusion [6.862357145175449]
  本稿では,単一段階の終端拡散型HMPフレームワークであるCoMusionを提案する。 CoMusionは、スムーズな将来のポーズ予測性能が空間予測性能を改善するという洞察から着想を得ている。 提案手法はTransformer-GCNモジュール設計と分散スケジューラによって促進され,精度,現実性,一貫した動作を予測する。
  論文  参考訳（メタデータ） (2023-05-21T19:31:56Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• LatentFormer: Multi-Agent Transformer-Based Interaction Modeling and Trajectory Prediction [12.84508682310717]
  将来の車両軌道予測のためのトランスフォーマーモデルであるLatentFormerを提案する。 提案手法をnuScenesベンチマークデータセット上で評価し,提案手法が最先端性能を実現し,トラジェクトリ指標を最大40%向上することを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:44:58Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• 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)
• AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
  軌道予測は、安全な将来の動きを計画するための応用に不可欠である。 我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。 AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
  論文  参考訳（メタデータ） (2020-06-15T10:00:07Z)

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。