論文の概要: Learning Isometric Embeddings of Road Networks using Multidimensional Scaling

• arxiv url: http://arxiv.org/abs/2504.17534v1
• Date: Thu, 24 Apr 2025 13:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.379885
• Title: Learning Isometric Embeddings of Road Networks using Multidimensional Scaling
• Title（参考訳）: 多次元スケーリングを用いた道路網の等尺的埋め込み学習
• Authors: Juan Carlos Climent Pardo,
• Abstract要約: 学習に基づく自動運転アプリケーションにおける一般化の欠如は、車両が現在カバーできる幅広い道路シナリオによって示されている。 本稿では,この学習に基づく一般化問題に取り組み,道路網のグラフ表現をどのように活用するかを示す。 グラフノードを埋め込むオプションについて論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The lack of generalization in learning-based autonomous driving applications is shown by the narrow range of road scenarios that vehicles can currently cover. A generalizable approach should capture many distinct road structures and topologies, as well as consider traffic participants, and dynamic changes in the environment, so that vehicles can navigate and perform motion planning tasks even in the most difficult situations. Designing suitable feature spaces for neural network-based motion planers that encapsulate all kinds of road scenarios is still an open research challenge. This paper tackles this learning-based generalization challenge and shows how graph representations of road networks can be leveraged by using multidimensional scaling (MDS) techniques in order to obtain such feature spaces. State-of-the-art graph representations and MDS approaches are analyzed for the autonomous driving use case. Finally, the option of embedding graph nodes is discussed in order to perform easier learning procedures and obtain dimensionality reduction.
• Abstract（参考訳）: 学習に基づく自動運転アプリケーションにおける一般化の欠如は、車両が現在カバーできる幅広い道路シナリオによって示されている。 一般化可能なアプローチでは、多くの異なる道路構造やトポロジを捉えるとともに、交通参加者や環境の動的変化を考慮し、最も困難な状況でも車両が移動計画タスクをナビゲートし実行できるようにする必要がある。 あらゆる種類の道路シナリオをカプセル化したニューラルネットワークベースのモーションプランナに適した機能空間を設計することは、まだオープンな研究課題である。 本稿では,この学習に基づく一般化問題に取り組み,多次元スケーリング(MDS)技術を用いて道路網のグラフ表現をどのように活用して特徴空間を得るかを示す。 自律運転の場合、最先端のグラフ表現とMDSアプローチを解析する。 最後に,グラフノードを埋め込むオプションについて論じる。

関連論文リスト

• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• An Enhanced Graph Representation for Machine Learning Based Automatic Intersection Management [0.5161531917413708]
  我々は、前述したグラフベースのシーン表現とグラフニューラルネットワークに基づいて、強化学習を用いてこの問題にアプローチする。 本稿では,自動交差点管理において一般的に使用されるベースラインに対して,提案手法の詳細な評価を行う。
  論文  参考訳（メタデータ） (2022-07-18T14:53:50Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Context-Aware Scene Prediction Network (CASPNet) [3.390468002706074]
  我々は,新しい畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)に基づくアーキテクチャを用いて,すべての道路利用者の動きを共同で学習し,予測する。 我々の手法は予測ベンチマークで最先端の結果に到達する。
  論文  参考訳（メタデータ） (2022-01-18T12:52:01Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Neural Motion Planning for Autonomous Parking [6.1805402105389895]
  本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。 提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
  論文  参考訳（メタデータ） (2021-11-12T14:29:38Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search [12.457788665461312]
  本稿では,機械学習モデルと最適解法を併用したハイブリッド問題解決プランナを提案する。 我々は現実的なシナリオで実験を行い、GCNのサポートにより、より難しい問題に対して、大幅なスピードアップとスムーズなスケーリングが可能になることを示す。
  論文  参考訳（メタデータ） (2021-08-02T16:53:21Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network [12.791191495432829]
  現実の交通シナリオにおける軌道予測にはいくつかの課題がある。 目的や周囲に注意を払って交通をナビゲートする人々の自然な習慣に触発された本論文は,ユニークなグラフ注意ネットワークを示す。 ネットワークはエージェント間の動的社会的相互作用をモデル化し、セマンティックマップでトラフィックルールに適合するように設計されている。
  論文  参考訳（メタデータ） (2021-03-30T11:53:12Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)

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。