論文の概要: Probability Trajectory: One New Movement Description for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2101.10595v1
• Date: Tue, 26 Jan 2021 07:09:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:55:09.248646
• Title: Probability Trajectory: One New Movement Description for Trajectory Prediction
• Title（参考訳）: 確率軌道:軌道予測のための新しい運動記述法
• Authors: Pei Lv, Hui Wei, Tianxin Gu, Yuzhen Zhang, Xiaoheng Jiang, Bing Zhou and Mingliang Xu
• Abstract要約: 軌道予測は、自動運転やインテリジェントロボットなど、多くのアプリケーションにとって基本的かつ困難なタスクである。 本稿では,歩行者軌跡の座標点を画像中の2次元ガウス分布にマッピングする,シンプルで直感的な動き記述である確率軌跡を提案する。 本研究では,新しい確率軌道と強力な畳み込み再帰ニューラルネットワークを組み合わせた,社会確率と呼ばれる新しい軌道予測手法を開発した。
• 参考スコア（独自算出の注目度）: 26.61376622161326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is a fundamental and challenging task for numerous applications, such as autonomous driving and intelligent robots. Currently, most of existing work treat the pedestrian trajectory as a series of fixed two-dimensional coordinates. However, in real scenarios, the trajectory often exhibits randomness, and has its own probability distribution. Inspired by this observed fact, also considering other movement characteristics of pedestrians, we propose one simple and intuitive movement description, probability trajectory, which maps the coordinate points of pedestrian trajectory into two-dimensional Gaussian distribution in images. Based on this unique description, we develop one novel trajectory prediction method, called social probability. The method combines the new probability trajectory and powerful convolution recurrent neural networks together. Both the input and output of our method are probability trajectories, which provide the recurrent neural network with sufficient spatial and random information of moving pedestrians. And the social probability extracts spatio-temporal features directly on the new movement description to generate robust and accurate predicted results. The experiments on public benchmark datasets show the effectiveness of the proposed method.
• Abstract（参考訳）: 軌道予測は、自動運転やインテリジェントロボットなど、多くのアプリケーションにとって基本的かつ困難なタスクである。 現在、既存の作業の多くは歩行者軌道を固定された2次元座標として扱う。 しかし、実際のシナリオでは、軌道はしばしばランダム性を示し、独自の確率分布を有する。 この観察結果に触発されて,歩行者の他の運動特性も考慮し,歩行者軌道の座標点を画像中の二次元ガウス分布にマッピングする,単純で直感的な動き記述である確率軌道を提案する。 この一意な記述に基づき, 社会確率と呼ばれる新しい軌道予測法を開発した。 この方法は、新しい確率軌道と強力な畳み込み再帰ニューラルネットワークを組み合わせる。 提案手法の入力と出力はともに確率軌道であり,移動歩行者の空間的・ランダムな情報に十分なリカレントニューラルネットワークを提供する。 社会確率は,新しい動き記述から直接時空間的特徴を抽出し,ロバストで正確な予測結果を生成する。 公開ベンチマークデータセットの実験では,提案手法の有効性が示された。

関連論文リスト

• Likely, Light, and Accurate Context-Free Clusters-based Trajectory Prediction [0.0]
  本稿では,従来の手法よりも分散シフトに対処可能な,自己条件付きGANという,より深い特徴クラスタリング手法を提案する。 また,生成した軌道に確率を割り当てる新しい距離ベースランキングの提案も提案する。 全体システムは、人間と道路エージェントの軌跡データにおける文脈自由な深層生成モデルを上回る。
  論文  参考訳（メタデータ） (2023-07-27T11:29:57Z)
• Graph-based Spatial Transformer with Memory Replay for Multi-future Pedestrian Trajectory Prediction [13.466380808630188]
  歴史的軌跡に基づく複数経路の予測モデルを提案する。 提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。 実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-06-12T10:25:12Z)
• Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
  既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。 本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。 本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
  論文  参考訳（メタデータ） (2022-04-27T13:10:48Z)
• End-to-End Trajectory Distribution Prediction Based on Occupancy Grid Maps [29.67295706224478]
  本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。 我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。 実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T09:24:32Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Cyclist Intention Detection: A Probabilistic Approach [2.984037222955095]
  本稿では,確率的サイクリスト意図検出のための包括的アプローチを提案する。 運動履歴画像(MHI)と残差畳み込みニューラルネットワーク(ResNet)に基づく基本的な動き検出を用いて、現在のサイクリスト運動状態の確率を推定する。 これらの確率は確率的アンサンブル軌道予測の重みとして用いられる。
  論文  参考訳（メタデータ） (2021-04-19T09:59:04Z)
• 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)
• CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction [3.883460584034766]
  本稿では,リアルタイム歩行者経路予測のための畳み込み手法CARPeを提案する。 グラフ同型ネットワークのバリエーションとアジャイルの畳み込みニューラルネットワーク設計を組み合わせて、高速で正確なパス予測アプローチを形成する。 予測速度と予測精度の両面での結果が得られ、現在の最先端手法と比較してFPSを大幅に改善した。
  論文  参考訳（メタデータ） (2020-05-26T01:10:01Z)
• 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)

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。