論文の概要: RetroMotion: Retrocausal Motion Forecasting Models are Instructable

• arxiv url: http://arxiv.org/abs/2505.20414v1
• Date: Mon, 26 May 2025 18:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.230283
• Title: RetroMotion: Retrocausal Motion Forecasting Models are Instructable
• Title（参考訳）: RetroMotion: Retrocausal Motion Forecasting Modelsが実行可能
• Authors: Royden Wagner, Omer Sahin Tas, Felix Hauser, Marlon Steiner, Dominik Strutz, Abhishek Vivekanandan, Carlos Fernandez, Christoph Stiller,
• Abstract要約: 本研究では,情報の流れの逆因性を含む動作予測のためのマルチタスク学習手法を開発した。 本手法はArgoverse 2データセットによく当てはまる。 実験の結果,運動予測の定期的な訓練は,目標に基づく指示に従う能力に繋がることがわかった。
• 参考スコア（独自算出の注目度）: 11.883714030537028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion forecasts of road users (i.e., agents) vary in complexity as a function of scene constraints and interactive behavior. We address this with a multi-task learning method for motion forecasting that includes a retrocausal flow of information. The corresponding tasks are to forecast (1) marginal trajectory distributions for all modeled agents and (2) joint trajectory distributions for interacting agents. Using a transformer model, we generate the joint distributions by re-encoding marginal distributions followed by pairwise modeling. This incorporates a retrocausal flow of information from later points in marginal trajectories to earlier points in joint trajectories. Per trajectory point, we model positional uncertainty using compressed exponential power distributions. Notably, our method achieves state-of-the-art results in the Waymo Interaction Prediction dataset and generalizes well to the Argoverse 2 dataset. Additionally, our method provides an interface for issuing instructions through trajectory modifications. Our experiments show that regular training of motion forecasting leads to the ability to follow goal-based instructions and to adapt basic directional instructions to the scene context. Code: https://github.com/kit-mrt/future-motion
• Abstract（参考訳）: 道路利用者(エージェント)の動作予測は、シーン制約と対話的行動の関数として複雑さが異なる。 本稿では,情報を後進的に流す動作予測のためのマルチタスク学習手法を用いてこの問題に対処する。 対応する課題は,(1)全てのモデルエージェントに対する限界軌跡分布,(2)相互作用エージェントに対する共同軌跡分布の予測である。 変換器モデルを用いて境界分布を再エンコードし、ペアワイズ・モデリングにより結合分布を生成する。 これは、後続の辺縁軌道の点から、後続の関節軌道の点までの情報の流れを組み込む。 軌道点当たりの圧縮指数分布を用いた位置不確かさをモデル化する。 特に,本手法はWaymoインタラクション予測データセットの最先端結果を実現し,Argoverse 2データセットによく適応する。 さらに,提案手法は軌道修正による命令発行のためのインタフェースを提供する。 実験の結果,動き予測の定期的な訓練は,目標に基づく指示を従え,シーンコンテキストに基本的な指示を適応させる能力をもたらすことがわかった。 コード:https://github.com/kit-mrt/future-motion

関連論文リスト

• JointMotion: Joint Self-Supervision for Joint Motion Prediction [10.44846560021422]
  JointMotionは、自動運転車における関節運動予測のための自己教師付き事前訓練手法である。 提案手法は,Wayformer,HPTR,Scene Transformerの各モデルにおける最終変位誤差を,それぞれ3%,8%,12%削減する。
  論文  参考訳（メタデータ） (2024-03-08T17:54:38Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows [58.762959061522736]
  オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。 我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。 提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
  論文  参考訳（メタデータ） (2022-11-20T21:57:10Z)
• 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)
• 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)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。