論文の概要: Dynamic Relational Inference in Multi-Agent Trajectories

• arxiv url: http://arxiv.org/abs/2007.13524v2
• Date: Thu, 8 Oct 2020 21:54:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:21:29.352676
• Title: Dynamic Relational Inference in Multi-Agent Trajectories
• Title（参考訳）: マルチエージェントトラジェクタにおける動的関係推論
• Authors: Ruichao Xiao, Manish Kumar Singh, Rose Yu
• Abstract要約: マルチエージェント軌道からの相互作用の推論は、物理学、ビジョン、ロボット工学に広く応用されている。 NRIは、複雑な力学における関係を、監督なしで推論できる深い生成モデルである。 我々はDYnamic Multi-Agent Relational Inference (DYARI)モデル(Dynamic Multi-Agent Relational Inference, DYnamic Multi-Agent Relational Inference, DYARI)と呼ばれる動的関係を推論できるNRIの拡張を提案する。
• 参考スコア（独自算出の注目度）: 15.602689376767664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring interactions from multi-agent trajectories has broad applications in physics, vision and robotics. Neural relational inference (NRI) is a deep generative model that can reason about relations in complex dynamics without supervision. In this paper, we take a careful look at this approach for relational inference in multi-agent trajectories. First, we discover that NRI can be fundamentally limited without sufficient long-term observations. Its ability to accurately infer interactions degrades drastically for short output sequences. Next, we consider a more general setting of relational inference when interactions are changing overtime. We propose an extension ofNRI, which we call the DYnamic multi-AgentRelational Inference (DYARI) model that can reason about dynamic relations. We conduct exhaustive experiments to study the effect of model architecture, under-lying dynamics and training scheme on the performance of dynamic relational inference using a simulated physics system. We also showcase the usage of our model on real-world multi-agent basketball trajectories.
• Abstract（参考訳）: マルチエージェント軌道からの相互作用の推論は、物理学、ビジョン、ロボット工学に広く応用されている。 ニューラルリレーショナル推論(nri)は、複雑なダイナミクスにおける関係を監督なしで推論できる深い生成モデルである。 本稿では,マルチエージェント・トラジェクトリにおける関係推論に対するこのアプローチを慎重に検討する。 まず、NRIは、十分な長期観測をすることなく、基本的に制限可能であることを発見した。 相互作用を正確に推論する能力は、短い出力シーケンスで大幅に低下する。 次に、時間外相互作用が変化しているときに、より一般的な関係推論の設定を考える。 我々はDYnamic Multi-Agent Relational Inference (DYARI)モデルと呼ばれる動的関係を推論できるNRIの拡張を提案する。 シミュレーション物理システムを用いた動的リレーショナル推論の性能に及ぼすモデルアーキテクチャ,下層力学,およびトレーニングスキームの影響について,徹底的な実験を行った。 また,実世界のマルチエージェントバスケットボールトラジェクタにおけるモデルの利用例を紹介する。

関連論文リスト

• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Diffusion model for relational inference [2.83334745695045]
  観測可能な力学を持つシステムに対する金融価格モデルを提案する。 DiffRIは条件拡散モデルを用いて、コンポーネント間の接続の確率を推測する。
  論文  参考訳（メタデータ） (2024-01-30T05:25:02Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Sim-to-Real Causal Transfer: A Metric Learning Approach to Causally-Aware Interaction Representations [62.48505112245388]
  エージェント相互作用の現代的表現の因果認識を詳細に検討する。 近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。 因果アノテーションを用いた潜在表現を正規化するための計量学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:57:03Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Multi-agent Trajectory Prediction with Fuzzy Query Attention [15.12743751614964]
  複数のエージェントを持つシーンの軌道予測は、交通予測、歩行者追跡、経路計画といった多くの領域において難しい問題である。 この課題に対処する一般的なアーキテクチャとして、運動の重要な帰納バイアス、すなわち慣性、相対運動、意図、相互作用をモデル化する。
  論文  参考訳（メタデータ） (2020-10-29T19:12:12Z)

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。