論文の概要: Anticipatory Navigation in Crowds by Probabilistic Prediction of
Pedestrian Future Movements
- arxiv url: http://arxiv.org/abs/2011.06235v1
- Date: Thu, 12 Nov 2020 07:18:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 07:43:59.492054
- Title: Anticipatory Navigation in Crowds by Probabilistic Prediction of
Pedestrian Future Movements
- Title（参考訳）: 歩行者の将来の動きの確率的予測による群集の予測航法
- Authors: Weiming Zhi, Tin Lai, Lionel Ott, Fabio Ramos
- Abstract要約: プロセス予測ナビゲーション(Process Precipatory Navigation, SPAN)は、非ホロノミックロボットが群衆のいる環境で移動できるようにするフレームワークである。
SPANは、歩行者の将来の動きをモデル化する継続的プロセスを予測する。
密集したシミュレーション環境でのSPANの能力を実世界の歩行者データセットで示す。
- 参考スコア（独自算出の注目度）: 33.37913533544612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Critical for the coexistence of humans and robots in dynamic environments is
the capability for agents to understand each other's actions, and anticipate
their movements. This paper presents Stochastic Process Anticipatory Navigation
(SPAN), a framework that enables nonholonomic robots to navigate in
environments with crowds, while anticipating and accounting for the motion
patterns of pedestrians. To this end, we learn a predictive model to predict
continuous-time stochastic processes to model future movement of pedestrians.
Anticipated pedestrian positions are used to conduct chance constrained
collision-checking, and are incorporated into a time-to-collision control
problem. An occupancy map is also integrated to allow for probabilistic
collision-checking with static obstacles. We demonstrate the capability of SPAN
in crowded simulation environments, as well as with a real-world pedestrian
dataset.
- Abstract（参考訳）: 動的環境における人間とロボットの共存には、エージェントがお互いの動きを理解し、その動きを予測できる能力が重要である。
本稿では,歩行者の行動パターンを予測・説明しながら,非ホロノミックロボットが人混みの環境での移動を可能にするフレームワークである確率的プロセス予測ナビゲーション(SPAN)を提案する。
そこで我々は,歩行者の将来の動きをモデル化するために,連続時間確率過程を予測する予測モデルを学ぶ。
予測された歩行者位置は、衝突チェックの機会制限を行うために使用され、時間対衝突制御問題に組み込まれる。
占有マップも統合されており、静的障害物による確率的衝突チェックを可能にする。
密集したシミュレーション環境でのSPANの能力を実世界の歩行者データセットで示す。
関連論文リスト
- TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - 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) - 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) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - 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) - Learning Interaction-Aware Trajectory Predictions for Decentralized
Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。
次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
論文 参考訳（メタデータ） (2021-02-10T11:11:08Z) - SCAN: A Spatial Context Attentive Network for Joint Multi-Agent Intent
Prediction [4.507860128918788]
textbfSCANは、新しい空間的注意機構を用いて、空間的に近接した隣人の影響を符号化する。
提案手法は,予測意図の精度の観点から,アートトラジェクトリ予測手法の精度を定量的に向上させることができる。
論文 参考訳（メタデータ） (2021-01-29T23:35:00Z) - 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)
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。