論文の概要: Dynamic Intent Queries for Motion Transformer-based Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2504.15766v1
• Date: Tue, 22 Apr 2025 10:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 21:01:05.792886
• Title: Dynamic Intent Queries for Motion Transformer-based Trajectory Prediction
• Title（参考訳）: 動変圧器を用いた軌道予測のための動的インテントクエリ
• Authors: Tobias Demmler, Lennart Hartung, Andreas Tamke, Thao Dang, Alexander Hegai, Karsten Haug, Lars Mikelsons,
• Abstract要約: 自動運転では、他の交通参加者の動きを正確に予測することが重要である。 本研究は,MTRモデルにシーン特異的な動的意図点を統合することで,この制限に対処する。 本研究は,動的意図点の導入が軌道精度に有意な影響を与えることを示した。
• 参考スコア（独自算出の注目度）: 36.287188668060075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In autonomous driving, accurately predicting the movements of other traffic participants is crucial, as it significantly influences a vehicle's planning processes. Modern trajectory prediction models strive to interpret complex patterns and dependencies from agent and map data. The Motion Transformer (MTR) architecture and subsequent work define the most accurate methods in common benchmarks such as the Waymo Open Motion Benchmark. The MTR model employs pre-generated static intention points as initial goal points for trajectory prediction. However, the static nature of these points frequently leads to misalignment with map data in specific traffic scenarios, resulting in unfeasible or unrealistic goal points. Our research addresses this limitation by integrating scene-specific dynamic intention points into the MTR model. This adaptation of the MTR model was trained and evaluated on the Waymo Open Motion Dataset. Our findings demonstrate that incorporating dynamic intention points has a significant positive impact on trajectory prediction accuracy, especially for predictions over long time horizons. Furthermore, we analyze the impact on ground truth trajectories which are not compliant with the map data or are illegal maneuvers.
• Abstract（参考訳）: 自動運転では、車両の計画プロセスに大きな影響を与えるため、他の交通参加者の動きを正確に予測することが重要である。 現代の軌道予測モデルは、エージェントとマップデータから複雑なパターンと依存関係を解釈しようとする。 Motion Transformer(MTR)アーキテクチャとその後の作業は、Waymo Open Motion Benchmarkのような一般的なベンチマークでもっとも正確なメソッドを定義している。 MTRモデルは、軌道予測の初期目標点として、事前に生成された静的な意図点を用いる。 しかし、これらの点の静的な性質は、特定の交通シナリオにおけるマップデータとのミスアライメントを招き、実現不可能または非現実的なゴールポイントをもたらす。 本研究は,MTRモデルにシーン特異的な動的意図点を統合することで,この制限に対処する。 MTRモデルのこの適応はWaymo Open Motion Datasetで訓練され評価された。 本研究は, 動的意図点の導入が軌道予測精度, 特に長期水平線上の予測に有意な影響を与えることを示した。 さらに,地図データに従わない,あるいは違法な操作を行う地上の真理軌道への影響を分析した。

関連論文リスト

• MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving [15.965681867350215]
  本稿では,自律走行に適した軌道予測モデルを提案する。 歴史的軌跡データと新しい幾何学的動的グラフに基づく行動認識モジュールを組み合わせる。 計算効率とパラメータオーバーヘッドの低減を実現している。
  論文  参考訳（メタデータ） (2024-05-02T13:13:52Z)
• 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)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• An End-to-End Framework of Road User Detection, Tracking, and Prediction from Monocular Images [11.733622044569486]
  我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。 検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。 本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-09T15:46:25Z)
• MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying [110.83590008788745]
  自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。 本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。 最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。 複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-06-30T16:23:04Z)
• 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)
• Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
  自律運転における多モーダル軌道予測のための新しい枠組みを提案する。 我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
  論文  参考訳（メタデータ） (2022-08-31T18:43:23Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• Ellipse Loss for Scene-Compliant Motion Prediction [12.446392441065065]
  本研究では,シーンコンプライアンスをよりよく推論し,より現実的な軌跡を予測できる新しい楕円損失を提案する。 楕円損失は、出力軌跡をトップダウンマップフレームに投影することにより、教師付き方法でオフロード予測を直接ペナルティ化する。 アクターの寸法と方向を考慮に入れ、モデルにより直接的なトレーニング信号を提供する。
  論文  参考訳（メタデータ） (2020-11-05T23:33:56Z)
• 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)

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。