論文の概要: Self-Growing Spatial Graph Network for Context-Aware Pedestrian Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2012.06320v2
• Date: Mon, 21 Dec 2020 11:00:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 12:42:54.311639
• Title: Self-Growing Spatial Graph Network for Context-Aware Pedestrian Trajectory Prediction
• Title（参考訳）: 文脈認識歩行者軌跡予測のための自己成長型空間グラフネットワーク
• Authors: Sirin Haddad, Siew-Kei Lam
• Abstract要約: STR-GGRNN(Social Trajectory Recommender-Gated Graph Recurrent Neighborhood Network) STR-GGRNNは、コンテキストシーンの特徴と歩行者の視覚的手がかりに基づいて、データ駆動の適応型オンライン地区推薦を使用する。 ETH-UCYデータセット上での最高性能モデルは12cm ADEと$sim$15 cm FDEである。
• 参考スコア（独自算出の注目度）: 11.716375199937568
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Pedestrian trajectory prediction is an active research area with recent works undertaken to embed accurate models of pedestrians social interactions and their contextual compliance into dynamic spatial graphs. However, existing works rely on spatial assumptions about the scene and dynamics, which entails a significant challenge to adapt the graph structure in unknown environments for an online system. In addition, there is a lack of assessment approach for the relational modeling impact on prediction performance. To fill this gap, we propose Social Trajectory Recommender-Gated Graph Recurrent Neighborhood Network, (STR-GGRNN), which uses data-driven adaptive online neighborhood recommendation based on the contextual scene features and pedestrian visual cues. The neighborhood recommendation is achieved by online Nonnegative Matrix Factorization (NMF) to construct the graph adjacency matrices for predicting the pedestrians' trajectories. Experiments based on widely-used datasets show that our method outperforms the state-of-the-art. Our best performing model achieves 12 cm ADE and $\sim$15 cm FDE on ETH-UCY dataset. The proposed method takes only 0.49 seconds when sampling a total of 20K future trajectories per frame.
• Abstract（参考訳）: 歩行者軌道予測は、歩行者の社会的相互作用の正確なモデルとその文脈コンプライアンスを動的空間グラフに埋め込む研究が最近行われている活発な研究領域である。 しかし、既存の作品はシーンとダイナミクスに関する空間的な仮定に依存しており、オンラインシステムのために未知の環境にグラフ構造を適用するという大きな課題を伴っている。 さらに、リレーショナルモデリングが予測パフォーマンスに与える影響に対する評価アプローチが欠如している。 このギャップを埋めるために、コンテキスト的シーン特徴と歩行者視覚的手がかりに基づいて、データ駆動型適応型オンライン地区レコメンデーションを利用するSocial Trajectory Recommender-Gated Graph Recurrent Neighborhood Network (STR-GGRNN)を提案する。 歩行者の軌道を予測するためのグラフ隣接行列を構築するために, オンライン非負行列因子化(NMF)により, 地区推薦を行う。 広く使われているデータセットに基づく実験により,本手法は最先端の手法よりも優れていることが示された。 ETH-UCYデータセット上で12cm ADEと$\sim$15 cm FDEを達成した。 提案手法は,フレーム毎の20K将来の軌跡をサンプリングするのにわずか0.49秒を要する。

関連論文リスト

• MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving [15.965681867350215]
  本稿では,自律走行に適した軌道予測モデルを提案する。 歴史的軌跡データと新しい幾何学的動的グラフに基づく行動認識モジュールを組み合わせる。 計算効率とパラメータオーバーヘッドの低減を実現している。
  論文  参考訳（メタデータ） (2024-05-02T13:13:52Z)
• STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
  本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。 次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。 ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-07-02T06:56:52Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• 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)
• Cyclic Graph Attentive Match Encoder (CGAME): A Novel Neural Network For OD Estimation [8.398623478484248]
  知的交通システム(ITS)時代における交通管理・交通シミュレーションにおける原位置推定の役割 これまでのモデルベースのモデルは、未決定の課題に直面しており、追加の仮定と追加のデータに対する必死な需要が存在する。 本稿では,2層アテンション機構を備えた新しいグラフマッチング手法であるC-GAMEを提案する。
  論文  参考訳（メタデータ） (2021-11-26T08:57:21Z)
• 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)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• 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。