다중 도메인 학습 기반 적응형 정책 조 conditioning 위한 궤적 예측 모델, Tra-MoE
대규모, 도메인 외 데이터를 활용한 궤적 예측 모델 학습 시, Sparsely-Gated MoE 아키텍처를 사용하면 성능 및 일반화 능력을 향상시킬 수 있다.
複数ドメインからの軌道予測モデル学習による適応的なポリシー調整：Tra-MoE
大規模なドメイン外データを用いて軌道予測モデルを学習することで、ロボットのポリシー調整を効率化し、汎化性能を向上させることができる。本稿では、スパースにゲートされたMoEアーキテクチャを用いた新しい軌道予測モデルTra-MoEを提案する。Tra-MoEは、パラメータの連携と専門化のバランスを効果的に調整することで、大規模なドメイン外データから効果的に学習し、従来のデンスなモデルよりも優れた性能を発揮する。
Map-Free Trajectory Prediction with Map Distillation and Hierarchical Encoding (Achieves State-of-the-Art Performance on Argoverse Dataset)
MFTP, a novel map-free trajectory prediction method, achieves state-of-the-art performance by leveraging map priors during training through knowledge distillation from a pre-trained map-based teacher network, while remaining effective for map-free prediction during inference.
Improving the Accuracy of Maritime Trajectory Predictions Using H3 Geospatial Indexing and Causal Language Modeling
Predicting ship trajectories accurately over long distances and diverse maritime environments can be achieved by combining the spatial precision of H3 geospatial indexing with the sequential learning capabilities of causal language models.
基於注意力潛在特徵的跨域遷移學習在多智能體軌跡預測中的應用
本文提出了一種基於圖嵌入 Transformer 的新型序列到序列模型，用於學習多智能體軌跡數據的時空特徵，並通過域對抗訓練策略實現跨交通域的遷移學習，從而在不同城市和時間段的交通場景中都能實現高精度的軌跡預測。
다중 에이전트 궤적 예측을 위한 어텐션 잠재 특징을 사용한 교차 도메인 전이 학습
본 논문에서는 서로 다른 교통 환경에서 수집된 데이터를 활용하여 다중 에이전트 궤적 예측 모델의 성능을 향상시키는 교차 도메인 전이 학습 프레임워크를 제안합니다.
アテンション機構を用いた潜在特徴に基づくクロスドメイン転移学習によるマルチエージェント軌跡予測
本稿では、交通状況の異なる都市や時間帯への一般化が可能な、マルチエージェント軌跡予測のためのドメイン適応型グラフ埋め込みTransformerモデルを提案する。
Cross-Domain Transfer Learning for Multi-Agent Trajectory Prediction Using Attention Latent Features in a Graph Embedded Transformer
This research proposes a novel domain-adaptable deep learning framework for multi-agent trajectory prediction in traffic scenarios, emphasizing the use of graph convolutional networks and attention-based transfer learning to improve prediction accuracy across different traffic environments.
테니스 선수의 궤적 예측을 위한 신체 관절 데이터 활용: Pose2Trajectory 모델 소개
본 논문에서는 테니스 선수의 신체 관절 데이터와 공의 위치 정보를 활용하여 선수의 미래 움직임 궤적을 예측하는 새로운 방법론인 Pose2Trajectory를 제안합니다.
テニス選手の軌跡予測：身体の姿勢から将来の動きを予測するPose2Trajectoryモデル
Transformerモデルを用いて、テニス選手の体の関節の位置情報、過去の軌跡、ボールの位置から将来の動きを予測するPose2Trajectoryモデルを提案する。
© 2024 by Linnk AI