論文の概要: Pedestrian Motion State Estimation From 2D Pose
- arxiv url: http://arxiv.org/abs/2103.00145v1
- Date: Sat, 27 Feb 2021 07:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:08:04.219405
- Title: Pedestrian Motion State Estimation From 2D Pose
- Title（参考訳）: 2次元ポースからの歩行者運動状態推定
- Authors: Fei Li, Shiwei Fan, Pengzhen Chen, and Xiangxu Li
- Abstract要約: 歩行者の交通違反やフレキシブルで変化しやすい性質は、歩行者の行動や意図を予測するのを難しくする。
歩行者運動状態やその他の影響要因と組み合わせることで、不要な事故を避けるために歩行者の意図を予測することができる。
本稿では,提案アルゴリズムをJAAD公開データセット上で検証し,既存の手法と比較して精度を11.6%向上させる。
- 参考スコア（独自算出の注目度）: 3.189006905282788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic violation and the flexible and changeable nature of pedestrians make
it more difficult to predict pedestrian behavior or intention, which might be a
potential safety hazard on the road. Pedestrian motion state (such as walking
and standing) directly affects or reflects its intention. In combination with
pedestrian motion state and other influencing factors, pedestrian intention can
be predicted to avoid unnecessary accidents. In this paper, pedestrian is
treated as non-rigid object, which can be represented by a set of
two-dimensional key points, and the movement of key point relative to the torso
is introduced as micro motion. Static and dynamic micro motion features, such
as position, angle and distance, and their differential calculations in time
domain, are used to describe its motion pattern. Gated recurrent neural network
based seq2seq model is used to learn the dependence of motion state transition
on previous information, finally the pedestrian motion state is estimated via a
softmax classifier. The proposed method only needs the previous hidden state of
GRU and current feature to evaluate the probability of current motion state,
and it is computation efficient to deploy on vehicles. This paper verifies the
proposed algorithm on the JAAD public dataset, and the accuracy is improved by
11.6% compared with the existing method.
- Abstract（参考訳）: 歩行者の交通違反と柔軟で変更可能な性質は、道路上の潜在的な安全危険であるかもしれない歩行者の行動や意図を予測することがより困難になります。
歩行者の運動状態(歩行や立位など)は、その意図に直接影響または反映する。
歩行者運動状態やその他の影響要因と組み合わせることで、不要な事故を避けるために歩行者の意図を予測することができる。
本論文では,歩行者を2次元キーポイントの集合で表すことができる非剛体物体として扱い,胴体に対するキーポイントの移動をマイクロモーションとして導入する。
時間領域における位置、角度、距離、それらの差分計算などの静的および動的マイクロモーション特徴は、その動きパターンを記述するために用いられる。
Gated Recurrent Neural Network based seq2seq model を用いて、前の情報に対する動作状態遷移の依存性を学習し、最後に、軟マックス分類器を介して歩行者動作状態を推定する。
提案手法は, 従来のGRUの隠れ状態と現在の動作状態の確率を評価するためにのみ必要であり, 車両への展開を効率よく行うことができる。
本稿では,提案アルゴリズムをJAAD公開データセット上で検証し,既存の手法と比較して精度を11.6%向上させる。
関連論文リスト
- 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) - ForceFormer: Exploring Social Force and Transformer for Pedestrian
Trajectory Prediction [3.5163219821672618]
我々は、ForceFormerと呼ばれる新しい目標ベースの軌道予測器を提案する。
我々は目的地からの駆動力を利用して歩行者の目標の誘導を効率的にシミュレートする。
提案手法は,最先端モデルを用いた距離誤差によって測定されたオンパー性能を実現する。
論文 参考訳（メタデータ） (2023-02-15T10:54:14Z) - PREF: Predictability Regularized Neural Motion Fields [68.60019434498703]
ダイナミックなシーンで3Dの動きを知ることは、多くの視覚応用にとって不可欠である。
多視点設定における全ての点の運動を推定するために神経運動場を利用する。
予測可能な動きを正規化することを提案する。
論文 参考訳（メタデータ） (2022-09-21T22:32:37Z) - 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) - 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) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳（メタデータ） (2021-01-07T06:08:21Z) - PRANK: motion Prediction based on RANKing [4.4861975043227345]
エージェントの動作を予測することは、自律運転領域における最も重要な問題の一つである。
エージェントの軌道の条件分布を所定のシーンで決定できるPRANK法を提案する。
PRANKを社内とArgoverseのデータセットで評価し、競争結果を示す。
論文 参考訳（メタデータ） (2020-10-22T19:58:02Z) - 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。