論文の概要: Social-IWSTCNN: A Social Interaction-Weighted Spatio-Temporal Convolutional Neural Network for Pedestrian Trajectory Prediction in Urban Traffic Scenarios

• arxiv url: http://arxiv.org/abs/2105.12436v1
• Date: Wed, 26 May 2021 09:53:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 13:44:15.742410
• Title: Social-IWSTCNN: A Social Interaction-Weighted Spatio-Temporal Convolutional Neural Network for Pedestrian Trajectory Prediction in Urban Traffic Scenarios
• Title（参考訳）: 都市交通シナリオにおける歩行者軌道予測のための社会的相互作用重み付き時空間畳み込みニューラルネットワーク
• Authors: Chi Zhang (1), Christian Berger (1), Marco Dozza (2) ((1) Department of Computer Science and Engineering, University of Gothenburg, Gothenburg, Sweden, (2) Department of Maritime Sciences and Mechanics, Chalmers University of Technology, Gothenburg, Sweden)
• Abstract要約: 社会的相互作用重み付き時空間畳み込みニューラルネットワーク(Social-IWSTCNN)を提案する。 我々のアルゴリズムは、平均変位誤差(ADE)と最終変位誤差(FDE)の両方において、社会LSTM、社会GAN、社会STGCNNなどのSOTAアルゴリズムより優れている。 我々のSocial-IWSTCNNはデータ前処理速度の54.8倍、テスト全体の4.7倍高速である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pedestrian trajectory prediction in urban scenarios is essential for automated driving. This task is challenging because the behavior of pedestrians is influenced by both their own history paths and the interactions with others. Previous research modeled these interactions with pooling mechanisms or aggregating with hand-crafted attention weights. In this paper, we present the Social Interaction-Weighted Spatio-Temporal Convolutional Neural Network (Social-IWSTCNN), which includes both the spatial and the temporal features. We propose a novel design, namely the Social Interaction Extractor, to learn the spatial and social interaction features of pedestrians. Most previous works used ETH and UCY datasets which include five scenes but do not cover urban traffic scenarios extensively for training and evaluation. In this paper, we use the recently released large-scale Waymo Open Dataset in urban traffic scenarios, which includes 374 urban training scenes and 76 urban testing scenes to analyze the performance of our proposed algorithm in comparison to the state-of-the-art (SOTA) models. The results show that our algorithm outperforms SOTA algorithms such as Social-LSTM, Social-GAN, and Social-STGCNN on both Average Displacement Error (ADE) and Final Displacement Error (FDE). Furthermore, our Social-IWSTCNN is 54.8 times faster in data pre-processing speed, and 4.7 times faster in total test speed than the current best SOTA algorithm Social-STGCNN.
• Abstract（参考訳）: 都市シナリオにおける歩行者軌道予測は自動運転に不可欠である。 歩行者の行動は、自身の歴史経路と他者との相互作用の両方に影響されているため、この課題は困難である。 前回の研究では、これらの相互作用をプール機構や手作りの注意重みでモデル化した。 本稿では,空間的特徴と時間的特徴を含む社会的相互作用重み付き時空間畳み込みニューラルネットワーク(Social-IWSTCNN)を提案する。 歩行者の空間的および社会的相互作用の特徴を学習するための新しいデザイン,すなわち社会的相互作用抽出器を提案する。 以前のほとんどの研究は、ETHとUCYデータセットを使用しており、5つのシーンを含むが、訓練と評価のために都市交通シナリオを広範囲にカバーしていない。 本稿では,最近リリースされた大規模Waymo Open Datasetを都市交通シナリオに利用し,都市訓練シーン374面と76面の都市試験シーンを用いて,提案アルゴリズムの性能を最新技術(SOTA)モデルと比較して解析する。 その結果,このアルゴリズムは平均変位誤差(ADE)と最終変位誤差(FDE)の両方において,社会LSTM,社会GAN,社会STGCNNなどのSOTAアルゴリズムよりも優れていた。 さらに、私たちのSocial-IWSTCNNはデータ前処理速度の54.8倍、テスト全体の4.7倍高速である。

関連論文リスト

• From Cognition to Precognition: A Future-Aware Framework for Social Navigation [1.9094009409000596]
  本稿では,社会的に認識されたナビゲーションに取り組むための強化学習アーキテクチャであるFalconを提案する。 我々はSocial-HM3DとSocial-MP3Dという2つの新しいデータセットを含むSocialNavベンチマークを導入する。 我々は、最先端の学習法と古典的なルールベースの経路計画アルゴリズムを用いて、詳細な実験分析を行う。
  論文  参考訳（メタデータ） (2024-09-20T06:08:24Z)
• 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)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• Pedestrian Trajectory Prediction using Context-Augmented Transformer Networks [3.0839245814393728]
  近年,多くのシーケンシャルなタスクにおいて,より効率的かつ優れたRNNを実現することが示されているトランスフォーマーネットワークに基づくフレームワークを提案する。 我々は,共有都市交通環境における歩行者のリアルタイムデータセットの枠組みについて検討した。
  論文  参考訳（メタデータ） (2020-12-03T08:43:12Z)
• 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)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)
• Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction [26.28051910420762]
  Social Spatio-Temporal Graph Convolutional Neural Network (Social-STGCNN)は、歩行者のインタラクションをグラフとしてモデル化する。 その結果,FDE(Final Displacement Error)では20%向上し,ADE(Average Displacement Error)では最大48倍高速な推論速度が得られた。 本稿では,歩行者間の社会的相互作用を隣接行列内に埋め込むカーネル関数を提案する。
  論文  参考訳（メタデータ） (2020-02-27T05:40:23Z)

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。