論文の概要: SCAN: A Spatial Context Attentive Network for Joint Multi-Agent Intent Prediction

• arxiv url: http://arxiv.org/abs/2102.00109v1
• Date: Fri, 29 Jan 2021 23:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 21:51:41.353165
• Title: SCAN: A Spatial Context Attentive Network for Joint Multi-Agent Intent Prediction
• Title（参考訳）: SCAN: 共同マルチエージェントインテント予測のための空間文脈注意ネットワーク
• Authors: Jasmine Sekhon, Cody Fleming
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.507860128918788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe navigation of autonomous agents in human centric environments requires the ability to understand and predict motion of neighboring pedestrians. However, predicting pedestrian intent is a complex problem. Pedestrian motion is governed by complex social navigation norms, is dependent on neighbors' trajectories, and is multimodal in nature. In this work, we propose \textbf{SCAN}, a \textbf{S}patial \textbf{C}ontext \textbf{A}ttentive \textbf{N}etwork that can jointly predict socially-acceptable multiple future trajectories for all pedestrians in a scene. SCAN encodes the influence of spatially close neighbors using a novel spatial attention mechanism in a manner that relies on fewer assumptions, is parameter efficient, and is more interpretable compared to state-of-the-art spatial attention approaches. Through experiments on several datasets we demonstrate that our approach can also quantitatively outperform state of the art trajectory prediction methods in terms of accuracy of predicted intent.
• Abstract（参考訳）: 人中心環境における自律的エージェントの安全なナビゲーションには、近隣の歩行者の動きを理解し予測する能力が必要である。 しかし、歩行者の意図を予測することは複雑な問題です。 歩行者の動きは複雑な社会航法規範に支配され、近隣の軌道に依存し、自然界では多様である。 本研究では、シーン内のすべての歩行者に対して社会的に許容可能な複数の将来の軌跡を共同で予測できる \textbf{SCAN}, a \textbf{S}patial \textbf{C}ontext \textbf{A}ttentive \textbf{N}etworkを提案する。 SCANは、仮定が少なく、パラメータ効率が高く、最先端の空間アテンションアプローチよりも解釈しやすい方法で、新しい空間アテンション機構を用いて、空間クローズドな隣人の影響を符号化する。 いくつかのデータセットの実験を通して,提案手法は予測意図の精度の観点から,アート軌道予測手法の精度を定量的に向上させることができることを示した。

関連論文リスト

• Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
  Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。 モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
  論文  参考訳（メタデータ） (2024-10-16T03:33:40Z)
• 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)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• 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)
• 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)
• Anticipatory Navigation in Crowds by Probabilistic Prediction of Pedestrian Future Movements [33.37913533544612]
  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。
  論文  参考訳（メタデータ） (2020-11-12T07:18:20Z)
• Exploring Dynamic Context for Multi-path Trajectory Prediction [33.66335553588001]
  動的コンテキストネットワーク(DCENet)という新しいフレームワークを提案する。 本フレームワークでは,エージェント間の空間的コンテキストを自己注意型アーキテクチャを用いて探索する。 学習した空間的時間的文脈に基づいて、各エージェントに対する将来の軌跡のセットを条件付きで予測する。
  論文  参考訳（メタデータ） (2020-10-30T13:39:20Z)
• Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-22T11:43:40Z)
• Robust Trajectory Forecasting for Multiple Intelligent Agents in Dynamic Scene [11.91073327154494]
  動的シーンにおける複数エージェントのロバストな軌道予測手法を提案する。 提案手法は予測精度の点で最先端の予測手法より優れている。
  論文  参考訳（メタデータ） (2020-05-27T02:32:55Z)
• 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)

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。