論文の概要: It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2004.02025v3
• Date: Sat, 18 Jul 2020 21:33:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 22:43:00.954041
• Title: It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction
• Title（参考訳）: それは旅ではなく目的地です:エンドポイント条件付き軌道予測
• Authors: Karttikeya Mangalam, Harshayu Girase, Shreyas Agarwal, Kuan-Hui Lee, Ehsan Adeli, Jitendra Malik, Adrien Gaidon
• Abstract要約: フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
• 参考スコア（独自算出の注目度）: 59.027152973975575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory forecasting with multiple socially interacting agents is of critical importance for autonomous navigation in human environments, e.g., for self-driving cars and social robots. In this work, we present Predicted Endpoint Conditioned Network (PECNet) for flexible human trajectory prediction. PECNet infers distant trajectory endpoints to assist in long-range multi-modal trajectory prediction. A novel non-local social pooling layer enables PECNet to infer diverse yet socially compliant trajectories. Additionally, we present a simple "truncation-trick" for improving few-shot multi-modal trajectory prediction performance. We show that PECNet improves state-of-the-art performance on the Stanford Drone trajectory prediction benchmark by ~20.9% and on the ETH/UCY benchmark by ~40.8%. Project homepage: https://karttikeya.github.io/publication/htf/
• Abstract（参考訳）: 複数の社会的相互作用を持つエージェントによる人間の軌道予測は、自動運転車や社会ロボットなど、人間の環境における自律的なナビゲーションにおいて重要である。 本研究では,人間軌道予測のための予測終点条件付きネットワーク(PECNet)を提案する。 PECNetは長距離多モード軌道予測を支援するために遠方軌道終端を推定する。 新たな非局所的なソーシャルプーリング層により、PECNetは多様なが社会的に適合する軌道を推測することができる。 さらに,単発マルチモーダル軌道予測性能を向上させるための簡易な"分岐トリック"を提案する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を約20.9%改善し、ETH/UCYベンチマークの約40.8%向上したことを示す。 プロジェクトホームページ: https://karttikeya.github.io/publication/htf/

関連論文リスト

• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• G-PECNet: Towards a Generalizable Pedestrian Trajectory Prediction System [0.0]
  General-PECNetまたはG-PECNetは、2020年のベンチマークで、Final Displacement Error (FDE)で9.5%の改善を観測している。 軌道の非線形性および外乱検出のための簡易な幾何インスピレーション付き計量を提案する。
  論文  参考訳（メタデータ） (2022-10-15T11:00:54Z)
• Pedestrian 3D Bounding Box Prediction [83.7135926821794]
  我々は、自動運転車の複雑な動きの詳細をモデル化せずに、人間の合理的な推定値である3Dバウンディングボックスに焦点を当てる。 本稿では, 歩行者の3次元境界ボックス予測のための, 単純かつ効果的なモデルを提案する。 この方法は、繰り返しニューラルネットワークに基づくエンコーダ・デコーダアーキテクチャに従う。
  論文  参考訳（メタデータ） (2022-06-28T17:59:45Z)
• SocialVAE: Human Trajectory Prediction using Timewise Latents [4.640835690336652]
  SocialVAEは、後部ニューラルネットワークを利用して予測を行う、時間的に変化するオートエンコーダアーキテクチャである。 そこで,SocialVAEは,現在最先端の歩行者軌道予測ベンチマークを改善していることを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:14:33Z)
• SFMGNet: A Physics-based Neural Network To Predict Pedestrian Trajectories [2.862893981836593]
  本稿では,歩行者の軌跡を予測する物理に基づくニューラルネットワークを提案する。 我々は、現実的な予測、予測性能、および「解釈可能性」に関するモデルを定量的に質的に評価する。 最初の結果は、合成データセットでのみ訓練されたモデルであっても、最先端の精度よりも現実的で解釈可能な軌道を予測できることを示唆している。
  論文  参考訳（メタデータ） (2022-02-06T14:58:09Z)
• Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction [0.0]
  本稿では,軌道予測のためのLSTMに基づく新しいアルゴリズムを提案する。 我々は静的なシーンと歩行者を考慮することでこの問題に対処する。 この関係を符号化したのはLSTMであり,我々のモデルは群集シナリオにおけるノードの軌跡を同時に予測する。
  論文  参考訳（メタデータ） (2020-09-22T11:43:40Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation [12.580809204729583]
  グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。 提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
  論文  参考訳（メタデータ） (2020-05-02T09:10:30Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。