論文の概要: DeepUrban: Interaction-Aware Trajectory Prediction and Planning for Automated Driving by Aerial Imagery

• arxiv url: http://arxiv.org/abs/2601.10554v1
• Date: Thu, 15 Jan 2026 16:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.216765
• Title: DeepUrban: Interaction-Aware Trajectory Prediction and Planning for Automated Driving by Aerial Imagery
• Title（参考訳）: DeepUrban: 航空画像による自動走行のための対話型軌道予測と計画
• Authors: Constantin Selzer, Fabian B. Flohr,
• Abstract要約: 我々は,都市部の密集した環境に着目した軌道予測と計画ベンチマークを強化するために,新しいドローンデータセットを開発した。 DeepUrbanは、都市の交差点で約100mの高さで撮影された高解像度画像から抽出された、豊富な3Dトラフィックオブジェクトのコレクションを提供する。 我々は,SOTA(State-of-the-art)予測と計画手法を評価し,一般化能力に関する実験を行った。
• 参考スコア（独自算出の注目度）: 0.3265773263570237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The efficacy of autonomous driving systems hinges critically on robust prediction and planning capabilities. However, current benchmarks are impeded by a notable scarcity of scenarios featuring dense traffic, which is essential for understanding and modeling complex interactions among road users. To address this gap, we collaborated with our industrial partner, DeepScenario, to develop DeepUrban-a new drone dataset designed to enhance trajectory prediction and planning benchmarks focusing on dense urban settings. DeepUrban provides a rich collection of 3D traffic objects, extracted from high-resolution images captured over urban intersections at approximately 100 meters altitude. The dataset is further enriched with comprehensive map and scene information to support advanced modeling and simulation tasks. We evaluate state-of-the-art (SOTA) prediction and planning methods, and conducted experiments on generalization capabilities. Our findings demonstrate that adding DeepUrban to nuScenes can boost the accuracy of vehicle predictions and planning, achieving improvements up to 44.1 % / 44.3% on the ADE / FDE metrics. Website: https://iv.ee.hm.edu/deepurban
• Abstract（参考訳）: 自律運転システムの有効性は、堅牢な予測と計画能力に決定的に依存する。 しかし、現在のベンチマークは、道路利用者間の複雑な相互作用を理解し、モデル化するのに不可欠である、密集したトラフィックを特徴とするシナリオの顕著な不足によって妨げられている。 このギャップに対処するため、産業パートナーのDeepScenarioと協力して、密度の高い都市環境に焦点を当てた軌道予測と計画ベンチマークを強化するために設計された、DeepUrbanという新しいドローンデータセットを開発した。 DeepUrbanは、都市の交差点で約100mの高さで撮影された高解像度画像から抽出された、豊富な3Dトラフィックオブジェクトのコレクションを提供する。 データセットはさらに、高度なモデリングとシミュレーションタスクをサポートするために、包括的なマップとシーン情報に富んでいる。 我々は,SOTA(State-of-the-art)予測と計画手法を評価し,一般化能力に関する実験を行った。 この結果から,DeepUrbanをnuScenesに追加することで,車両の予測と計画の精度が向上し,ADE/FDE測定値の44.1 %/44.3%の改善が達成された。 ウェブサイト:https://iv.ee.hm.edu/deepurban

関連論文リスト

• Pedestrian Intention and Trajectory Prediction in Unstructured Traffic Using IDD-PeD [26.011293248078797]
  本研究では,非構造環境における歩行者行動のモデル化の複雑さに対処するために,インドにおける歩行者行動データセットを提案する。 このデータセットは、エゴ車両の注意を必要とする歩行者に焦点を当てた、高レベルで詳細な低レベルな包括的なアノテーションを提供する。
  論文  参考訳（メタデータ） (2025-06-27T10:41:18Z)
• Highly Accurate and Diverse Traffic Data: The DeepScenario Open 3D Dataset [30.40504152724041]
  我々は,新しいモノクラーカメラドローン追跡パイプラインによって得られた6自由度境界ボックス軌道のDeepScenario Open 3Dデータセット(DSC3D)を紹介した。 当社のデータセットには、14種類のトラフィック参加者の175,000以上のトラジェクトリが含まれており、多様性とスケールの点で既存のデータセットを大きく上回っている。 動作予測,動作計画,シナリオマイニング,生成反応性トラフィックエージェントなど,複数のアプリケーションにまたがる実用性を実証する。
  論文  参考訳（メタデータ） (2025-04-24T08:43:48Z)
• Advanced computer vision for extracting georeferenced vehicle trajectories from drone imagery [4.387337528923525]
  本稿では,高高度ドローン画像からジオレファレンス車両軌跡を抽出する枠組みを提案する。 研究は韓国のソンド国際事業地区で行われた。
  論文  参考訳（メタデータ） (2024-11-04T14:49:01Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
  駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。 本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
  論文  参考訳（メタデータ） (2021-08-10T17:57:03Z)
• 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。