論文の概要: Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction

• arxiv url: http://arxiv.org/abs/2009.10468v2
• Date: Wed, 23 Sep 2020 07:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 21:31:05.746680
• Title: Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction
• Title（参考訳）: 歩行者軌道予測のための空間時間ブロックとLSTMネットワーク
• Authors: Xiong Dan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pedestrian trajectory prediction is a critical to avoid autonomous driving collision. But this prediction is a challenging problem due to social forces and cluttered scenes. Such human-human and human-space interactions lead to many socially plausible trajectories. In this paper, we propose a novel LSTM-based algorithm. We tackle the problem by considering the static scene and pedestrian which combine the Graph Convolutional Networks and Temporal Convolutional Networks to extract features from pedestrians. Each pedestrian in the scene is regarded as a node, and we can obtain the relationship between each node and its neighborhoods by graph embedding. It is LSTM that encode the relationship so that our model predicts nodes trajectories in crowd scenarios simultaneously. To effectively predict multiple possible future trajectories, we further introduce Spatio-Temporal Convolutional Block to make the network flexible. Experimental results on two public datasets, i.e. ETH and UCY, demonstrate the effectiveness of our proposed ST-Block and we achieve state-of-the-art approaches in human trajectory prediction.
• Abstract（参考訳）: 歩行者の軌道予測は自律走行衝突を避けるために重要である。 しかし、この予測は社会的力と散らかったシーンのために難しい問題だ。 このような人間と人間と空間の相互作用は多くの社会的にもっともらしい軌道に繋がる。 本稿では,LSTMに基づく新しいアルゴリズムを提案する。 本稿では,グラフ畳み込みネットワークと時間畳み込みネットワークを組み合わせて,歩行者から特徴を抽出する静的シーンと歩行者について考察する。 シーン内の各歩行者はノードと見なされ、グラフ埋め込みによって各ノードとその近傍の関係を得ることができる。 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。 複数の将来の軌道を効果的に予測するために,ネットワークを柔軟にするために時空間畳み込みブロックを導入する。 ETHとUCYという2つの公開データセットの実験結果から提案したST-Blockの有効性が実証され,人間の軌道予測における最先端のアプローチが達成された。

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)
• Attention-aware Social Graph Transformer Networks for Stochastic Trajectory Prediction [16.55909815712467]
  軌道予測は、自律運転やロボット工学など、様々なインテリジェントな技術の基本である。 現在の軌道予測研究は、複雑な社会的相互作用、高ダイナミクス、多モード性といった問題に直面している。 マルチモーダル軌道予測のためのアテンション対応ソーシャルグラフトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2023-12-26T04:24:01Z)
• Multiclass-SGCN: Sparse Graph-based Trajectory Prediction with Agent Class Embedding [12.839645409931407]
  現実シナリオにおける道路利用者の軌道予測は,移動パターンが複雑であるため困難である。 従来の歩行者指向の作業は、歩行者間の複雑な相互作用のモデル化に成功しているが、他の種類の道路利用者が関与している場合の軌道予測には失敗している。 マルチクラス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アプローチであるMulticlass-SGCNを提案する。
  論文  参考訳（メタデータ） (2022-06-30T13:28:53Z)
• Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network [7.150832716115448]
  交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。 このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。 本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T13:08:04Z)
• Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving [2.6774008509841005]
  本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。 時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。 次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
  論文  参考訳（メタデータ） (2021-09-27T02:20:38Z)
• Learning Sparse Interaction Graphs of Partially Observed Pedestrians for Trajectory Prediction [0.3025231207150811]
  マルチペデストリアン軌道予測は、非構造環境における群衆と相互作用する自律システムの必然的な安全要素である。 Gumbel Social Transformerを提案し、Edge Gumbel Selectorは、各ステップで部分的に観察された歩行者のスパースグラフをサンプリングする。 提案手法は,仮定によって生じる潜在的な問題を克服し,ベンチマーク評価における関連研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-15T00:45:11Z)
• 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)
• 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)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  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。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。