論文の概要: Coupling Intent and Action for Pedestrian Crossing Behavior Prediction
- arxiv url: http://arxiv.org/abs/2105.04133v1
- Date: Mon, 10 May 2021 06:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:53:15.874694
- Title: Coupling Intent and Action for Pedestrian Crossing Behavior Prediction
- Title（参考訳）: 歩行者横断行動予測のための結合意図と行動
- Authors: Yu Yao, Ella Atkins, Matthew Johnson Roberson, Ram Vasudevan, Xiaoxiao
Du
- Abstract要約: 本研究では, 歩行者の横断行動について, 未観測の内的意志と多種多様な行動の組み合わせとして定義するために, 神経科学と心理学の文献に従う。
将来の歩行者行動を予測し、予測された将来の行動を事前に利用し、歩行者の現在の意図と行動を検出する新しいマルチタスクネットワークを提示する。
- 参考スコア（独自算出の注目度）: 25.54455403877285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of pedestrian crossing behaviors by autonomous vehicles
can significantly improve traffic safety. Existing approaches often model
pedestrian behaviors using trajectories or poses but do not offer a deeper
semantic interpretation of a person's actions or how actions influence a
pedestrian's intention to cross in the future. In this work, we follow the
neuroscience and psychological literature to define pedestrian crossing
behavior as a combination of an unobserved inner will (a probabilistic
representation of binary intent of crossing vs. not crossing) and a set of
multi-class actions (e.g., walking, standing, etc.). Intent generates actions,
and the future actions in turn reflect the intent. We present a novel
multi-task network that predicts future pedestrian actions and uses predicted
future action as a prior to detect the present intent and action of the
pedestrian. We also designed an attention relation network to incorporate
external environmental contexts thus further improve intent and action
detection performance. We evaluated our approach on two naturalistic driving
datasets, PIE and JAAD, and extensive experiments show significantly improved
and more explainable results for both intent detection and action prediction
over state-of-the-art approaches. Our code is available at:
https://github.com/umautobots/pedestrian_intent_action_detection.
- Abstract（参考訳）: 自動運転車による歩行者横断行動の正確な予測は、交通安全を著しく向上させることができる。
既存のアプローチはしばしば、軌跡やポーズを使って歩行者の行動をモデル化するが、人の行動や将来の歩行者の意図にどのように影響するかについて深い意味論的解釈を与えない。
本研究は, 歩行者横断行動について, 観察されていない内意(横断意図と横断意図の確率的表現)と, 多種の行動(歩行, 立位など)の組み合わせとして定義する, 神経科学と心理学の文献に従う。
インテントはアクションを生成し、将来のアクションはインテントを反映します。
本稿では,将来の歩行者行動を予測する新しいマルチタスクネットワークを提案する。
また,外的環境条件を組み込んだ注意関係ネットワークも設計し,意図と行動検出性能をさらに向上させた。
我々は,PIEとJAADという2つの自然主義運転データセットに対するアプローチを評価し,最先端のアプローチに対する意図検出と行動予測の両面で,大幅な改善と説明可能な結果を示した。
私たちのコードは、https://github.com/umautobots/pedestrian_intent_action_detectionで利用可能です。
関連論文リスト
- Predicting and Analyzing Pedestrian Crossing Behavior at Unsignalized Crossings [3.373568134827475]
非ゼブラシナリオにおけるギャップ選択と、ゼブラシナリオにおけるゼブラ交差使用量を予測する機械学習モデルの提案と評価を行った。
歩行者の行動が、歩行者待ち時間、歩行速度、未使用ギャップの数、最大の欠落ギャップ、その他の歩行者の影響など、様々な要因にどのように影響するかを論じる。
論文 参考訳（メタデータ） (2024-04-15T08:36:40Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - PedFormer: Pedestrian Behavior Prediction via Cross-Modal Attention
Modulation and Gated Multitask Learning [10.812772606528172]
本研究では,エゴ中心の視点から,歩行者の将来の軌跡や横断行動を予測するために,異なるデータモダリティに依存する新しい枠組みを提案する。
本モデルでは, トラジェクトリとアクション予測の精度を, それぞれ22%, 13%向上した。
論文 参考訳（メタデータ） (2022-10-14T15:12:00Z) - Action-based Contrastive Learning for Trajectory Prediction [4.675212251005813]
軌道予測は、自律運転など、人間のロボットのインタラクションを成功させる上で不可欠なタスクである。
本研究では,移動カメラを用いたファースト・パーソン・ビュー・セッティングにおける将来の歩行者軌跡予測の問題に対処する。
本稿では,歩行者行動情報を利用して学習軌跡埋め込みを改善する,新たな行動に基づくコントラスト学習損失を提案する。
論文 参考訳（メタデータ） (2022-07-18T15:02:27Z) - 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) - Contingencies from Observations: Tractable Contingency Planning with
Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。
本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。
このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文 参考訳（メタデータ） (2021-04-21T14:30:20Z) - Learning to Anticipate Egocentric Actions by Imagination [60.21323541219304]
我々は,エゴセントリックなアクション予測タスクについて検討し,エゴセントリックなビデオの再生に先立って,将来のアクション秒を予測する。
本手法は, EPIC Kitchens Action Precipation Challenge の既視テストセットと未確認テストセットの両方において, 従来手法を有意に上回った。
論文 参考訳（メタデータ） (2021-01-13T08:04:10Z) - Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。
本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。
この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文 参考訳（メタデータ） (2020-10-20T13:42:31Z) - VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable
Road Users [3.6265173818019947]
本稿では、歩行者行動の予測、横断意図の予測、ビデオシーケンスからの将来の経路予測のためのマルチタスク学習モデルを提案する。
我々は、行動アノテーションや実世界のシナリオに富んだ、オープンソースのJAADデータセットを自然言語で駆動するモデルを訓練しました。
実験結果からJAADデータセットの最先端性能が示された。
論文 参考訳（メタデータ） (2020-07-10T14:02:25Z) - Pedestrian Action Anticipation using Contextual Feature Fusion in
Stacked RNNs [19.13270454742958]
交差点における歩行者行動予測問題の解法を提案する。
提案手法では,シーン動的・視覚的特徴の両面から収集した情報を徐々にネットワークに融合する新しいRNNアーキテクチャを用いる。
論文 参考訳（メタデータ） (2020-05-13T20:59:37Z) - 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。