論文の概要: CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation

• arxiv url: http://arxiv.org/abs/2005.00754v2
• Date: Tue, 5 May 2020 08:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 12:41:49.149639
• Title: CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation
• Title（参考訳）: CoMoGCN:グラフ表現を用いたコヒーレントモーション認識軌道予測
• Authors: Yuying Chen, Congcong Liu, Bertram Shi and Ming Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.580809204729583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting human trajectories is critical for tasks such as robot crowd navigation and autonomous driving. Modeling social interactions is of great importance for accurate group-wise motion prediction. However, most existing methods do not consider information about coherence within the crowd, but rather only pairwise interactions. In this work, we propose a novel framework, coherent motion aware graph convolutional network (CoMoGCN), for trajectory prediction in crowded scenes with group constraints. First, we cluster pedestrian trajectories into groups according to motion coherence. Then, we use graph convolutional networks to aggregate crowd information efficiently. The CoMoGCN also takes advantage of variational autoencoders to capture the multimodal nature of the human trajectories by modeling the distribution. Our method achieves state-of-the-art performance on several different trajectory prediction benchmarks, and the best average performance among all benchmarks considered.
• Abstract（参考訳）: ロボットの群集ナビゲーションや自動運転といったタスクには,人間の軌道予測が不可欠である。 社会的相互作用のモデリングは、正確な集団的動き予測にとって非常に重要である。 しかしながら、既存のほとんどの手法は、群衆内のコヒーレンスに関する情報を考慮せず、ペアの相互作用のみを考慮している。 本研究では,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。 まず、移動コヒーレンスに応じて歩行者軌跡をグループにクラスタリングする。 そして,グラフ畳み込みネットワークを用いて,群衆情報を効率的に収集する。 CoMoGCNはまた、変分オートエンコーダを利用して、分布をモデル化することで、人間の軌道のマルチモーダルな性質を捉える。 本手法は,様々な軌道予測ベンチマークにおいて最先端性能を達成し,すべてのベンチマークで最高の平均性能を得た。

関連論文リスト

• SocialFormer: Social Interaction Modeling with Edge-enhanced Heterogeneous Graph Transformers for Trajectory Prediction [3.733790302392792]
  SocialFormerはエージェント間相互作用を意識した軌道予測手法である。 本稿では,エージェント動作の時間的社会的挙動をモデル化するために,ゲートリカレント単位(GRU)に基づくテンポラルエンコーダを提案する。 一般的なnuScenesベンチマークの軌道予測タスクとしてSocialFormerを評価し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-06T19:47:23Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Holistic Graph-based Motion Prediction [2.365702128814616]
  ヘテロジニアスな全体グラフ表現に基づくグラフに基づく動き予測の新しい手法を提案する。 情報は異なるタイプのノードとエッジを通じてエンコードされ、どちらも任意の機能でリッチ化されている。
  論文  参考訳（メタデータ） (2023-01-31T10:46:46Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting [2.3852339280654173]
  軌道予測は知的車両や社会ロボットの分野で重要な役割を果たしている。 最近の研究は、空間的社会的影響や時間的動きの注意をモデル化することに重点を置いているが、運動の固有の特性を無視している。 本稿では,車両軌道予測のための文脈自由な階層型運動デコーダネットワーク(HMNet)を提案する。
  論文  参考訳（メタデータ） (2021-11-26T06:12:19Z)
• 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)
• LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
  LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
  論文  参考訳（メタデータ） (2021-01-17T11:54:49Z)
• HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction [14.57655217378212]
  本研究では,軌道予測のための階層型グラフ畳み込みネットワークHGCN-GJSを提案する。 本稿では,複数歩行者の将来の軌道における関節分布をモデル化するための新しい共同サンプリング手法を提案する。 我々は,複数の軌道予測データセット上でのネットワークの性能を実証し,検討したすべてのデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-15T14:51:10Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。