論文の概要: Post-interactive Multimodal Trajectory Prediction for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2503.09366v1
- Date: Wed, 12 Mar 2025 13:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 15:39:08.219047
- Title: Post-interactive Multimodal Trajectory Prediction for Autonomous Driving
- Title（参考訳）: 自律走行のための相互干渉後多モーダル軌道予測
- Authors: Ziyi Huang, Yang Li, Dushuai Li, Yao Mu, Hongmao Qin, Nan Zheng,
- Abstract要約: 本稿では,マルチモーダル軌道予測のためのトランスフォーマー,すなわちPioformerを提案する。
予測精度を高めるために、反応後の特徴を明示的に抽出する。
予測誤差は, minADE6, minFDE6, MR6, brier-minFDE6でそれぞれ4.4%, 8.4%, 14.4%, 5.7%減少した。
- 参考スコア（独自算出の注目度）: 10.93007749660849
- License:
- Abstract: Modeling the interactions among agents for trajectory prediction of autonomous driving has been challenging due to the inherent uncertainty in agents' behavior. The interactions involved in the predicted trajectories of agents, also called post-interactions, have rarely been considered in trajectory prediction models. To this end, we propose a coarse-to-fine Transformer for multimodal trajectory prediction, i.e., Pioformer, which explicitly extracts the post-interaction features to enhance the prediction accuracy. Specifically, we first build a Coarse Trajectory Network to generate coarse trajectories based on the observed trajectories and lane segments, in which the low-order interaction features are extracted with the graph neural networks. Next, we build a hypergraph neural network-based Trajectory Proposal Network to generate trajectory proposals, where the high-order interaction features are learned by the hypergraphs. Finally, the trajectory proposals are sent to the Proposal Refinement Network for further refinement. The observed trajectories and trajectory proposals are concatenated together as the inputs of the Proposal Refinement Network, in which the post-interaction features are learned by combining the previous interaction features and trajectory consistency features. Moreover, we propose a three-stage training scheme to facilitate the learning process. Extensive experiments on the Argoverse 1 dataset demonstrate the superiority of our method. Compared with the baseline HiVT-64, our model has reduced the prediction errors by 4.4%, 8.4%, 14.4%, 5.7% regarding metrics minADE6, minFDE6, MR6, and brier-minFDE6, respectively.
- Abstract（参考訳）: 自律走行の軌道予測のためのエージェント間の相互作用のモデル化は,エージェントの行動に固有の不確実性のために困難である。
エージェントの予測軌道に関与する相互作用は、後相互作用(post-interactions)とも呼ばれるが、軌道予測モデルではめったに考慮されていない。
そこで本稿では,マルチモーダル軌道予測のための粗大なトランスフォーマ,すなわちPioformerを提案する。
具体的には,まず粗トラジェクトリネットワークを構築し,観測されたトラジェクトリとレーンセグメントに基づいて粗トラジェクトリを生成し,低次相互作用特徴をグラフニューラルネットワークで抽出する。
次に、ハイパーグラフニューラルネットワークに基づくトラジェクトリ提案ネットワークを構築し、トラジェクトリ提案を生成し、高次相互作用機能をハイパーグラフで学習する。
最後に、軌道提案は更なる改良のために提案精細ネットワークに送られる。
観測されたトラジェクトリとトラジェクトリの提案は、従来の相互作用特徴とトラジェクトリ整合性特徴を組み合わせた後処理特徴を学習するプロポーザルリファインメントネットワークの入力として結合される。
さらに,学習プロセスを容易にするための3段階の学習手法を提案する。
Argoverse 1データセットの大規模な実験により,本手法の優位性が確認された。
ベースラインのHiVT-64と比較して,予測誤差は4.4%,8.4%,14.4%,5.7%,測定値のminADE6,minFDE6,MR6,brier-minFDE6がそれぞれ減少した。
関連論文リスト
- Multi-Agent Trajectory Prediction with Difficulty-Guided Feature Enhancement Network [1.5888246742280365]
軌道予測は、交通参加者の将来の動きを予測することを目的として、自動運転に不可欠である。
伝統的な方法は通常、エージェントの軌道に関する全体論的推論を行い、エージェント間の難易度の違いを無視する。
エージェント間の予測難易度差を利用したマルチエージェント軌道予測のためのDGFNet(Difficulty-Guided Feature Enhancement)を提案する。
論文 参考訳（メタデータ） (2024-07-26T07:04:30Z) - 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) - Multi-Aspect Explainable Inductive Relation Prediction by Sentence
Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。
知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文 参考訳（メタデータ） (2023-01-04T15:33:49Z) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳（メタデータ） (2022-03-09T21:08:47Z) - 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) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - 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) - Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction [10.905596145969223]
マルチヘッドアテンションに基づく簡単なエンコーダ・デコーダアーキテクチャを提案する。
提案モデルでは,複数の車両に対して並列に予測された軌道の分布を生成する。
論文 参考訳（メタデータ） (2020-04-08T06:58:51Z) - 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。