Likely, Light, and Accurate Context-Free Clusters-based Trajectory Prediction

要約

道路交通ネットワークの自律システムには、将来を予測するために不確実性に対処するインテリジェントなメカニズムが必要です。
この論文では、軌道予測のための多段階の確率的アプローチ、つまり変位空間への軌道変換、変位時系列のクラスタリング、軌道提案、およびランキング提案を提案します。
私たちは、従来の方法よりも分布の変化にうまく対処できる、自己条件付き GAN の基礎となる新しい深部特徴クラスタリング方法を導入します。
さらに、補助ニューラル ネットワークよりも効率的かつ正確な、生成された軌道に確率を割り当てるための新しい距離ベースのランキング提案を提案します。
システム全体は、人間と道路エージェントの軌跡データにおけるコンテキストフリーの深層生成モデルを上回り、最も可能性の高い軌跡を比較する際には点推定器と同様のパフォーマンスを発揮します。

要約(オリジナル)

Autonomous systems in the road transportation network require intelligent mechanisms that cope with uncertainty to foresee the future. In this paper, we propose a multi-stage probabilistic approach for trajectory forecasting: trajectory transformation to displacement space, clustering of displacement time series, trajectory proposals, and ranking proposals. We introduce a new deep feature clustering method, underlying self-conditioned GAN, which copes better with distribution shifts than traditional methods. Additionally, we propose novel distance-based ranking proposals to assign probabilities to the generated trajectories that are more efficient yet accurate than an auxiliary neural network. The overall system surpasses context-free deep generative models in human and road agents trajectory data while performing similarly to point estimators when comparing the most probable trajectory.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google