論文の概要: Unlimited Neighborhood Interaction for Heterogeneous Trajectory
Prediction
- arxiv url: http://arxiv.org/abs/2108.00238v1
- Date: Sat, 31 Jul 2021 13:36:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 15:38:01.030172
- Title: Unlimited Neighborhood Interaction for Heterogeneous Trajectory
Prediction
- Title(参考訳): 不均一軌道予測のための無限近傍相互作用
- Authors: Fang Zheng, Le Wang, Sanping Zhou, Wei Tang, Zhenxing Niu, Nanning
Zheng, Gang Hua
- Abstract要約: マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。
具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。
階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
- 参考スコア(独自算出の注目度): 97.40338982628094
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Understanding complex social interactions among agents is a key challenge for
trajectory prediction. Most existing methods consider the interactions between
pairwise traffic agents or in a local area, while the nature of interactions is
unlimited, involving an uncertain number of agents and non-local areas
simultaneously. Besides, they only focus on homogeneous trajectory prediction,
namely those among agents of the same category, while neglecting people's
diverse reaction patterns toward traffic agents in different categories. To
address these problems, we propose a simple yet effective Unlimited
Neighborhood Interaction Network (UNIN), which predicts trajectories of
heterogeneous agents in multiply categories. Specifically, the proposed
unlimited neighborhood interaction module generates the fused-features of all
agents involved in an interaction simultaneously, which is adaptive to any
number of agents and any range of interaction area. Meanwhile, a hierarchical
graph attention module is proposed to obtain category-tocategory interaction
and agent-to-agent interaction. Finally, parameters of a Gaussian Mixture Model
are estimated for generating the future trajectories. Extensive experimental
results on benchmark datasets demonstrate a significant performance improvement
of our method over the state-ofthe-art methods.
- Abstract(参考訳): エージェント間の複雑な社会的相互作用を理解することは、軌道予測の重要な課題である。
既存の手法では、対方向のトラフィックエージェント間の相互作用やローカルエリアでの相互作用を考慮するが、インタラクションの性質は無限であり、未知のエージェントと非ローカルエリアを同時に含んでいる。
さらに、同じカテゴリーのエージェント間の均質な軌道予測のみに焦点を当て、異なるカテゴリのトラフィックエージェントに対する人々の多様な反応パターンを無視している。
これらの問題に対処するために,マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的なUnlimited Neighborhood Interaction Network (UNIN)を提案する。
具体的には、提案する無限近傍相互作用モジュールは、相互作用に関わるすべてのエージェントの融合特徴を同時に生成し、任意のエージェントと任意の範囲の相互作用領域に適応する。
一方,カテゴリ間相互作用とエージェント-エージェント間相互作用を得るため,階層型グラフアテンションモジュールを提案する。
最後に、将来の軌跡を生成するためにガウス混合モデルのパラメータを推定する。
ベンチマークデータセットの広範な実験結果から,本手法は最先端手法よりも大幅に性能が向上することが示された。
関連論文リスト
- SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.817322497343503]
トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。
エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。
また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:43:40Z) - MMOE: Mixture of Multimodal Interaction Experts [115.20477067767399]
MMOEはマルチモーダルインタラクションの専門家の混在を指す。
本手法は, ラベルのないマルチモーダルデータセットから, 対話タイプによって自動的にデータポイントを分類し, それぞれのインタラクションに特化モデルを用いる。
実験結果から,本手法は,これらの課題のあるインタラクションのパフォーマンスを10%以上向上させ,皮肉な予測などのタスクに対して全体の2%向上をもたらす。
論文 参考訳(メタデータ) (2023-11-16T05:31:21Z) - InterGen: Diffusion-based Multi-human Motion Generation under Complex
Interactions [52.67456181120208]
動作拡散プロセスに人間と人間の相互作用を組み込んだ効果的な拡散ベースアプローチであるInterGenを提案する。
我々はまず、InterHumanという名前のマルチモーダルデータセットをコントリビュートする。これは、様々な2人インタラクションのための約107Mフレームで構成され、正確な骨格運動と23,337の自然言語記述を持つ。
本稿では,世界規模での2人のパフォーマーのグローバルな関係を明示的に定式化した対話拡散モデルにおける動作入力の表現を提案する。
論文 参考訳(メタデータ) (2023-04-12T08:12:29Z) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳(メタデータ) (2023-03-01T15:16:56Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳(メタデータ) (2022-10-17T07:16:44Z) - Interaction Mix and Match: Synthesizing Close Interaction using
Conditional Hierarchical GAN with Multi-Hot Class Embedding [4.864897201841002]
本研究では,異なる種類の密接な相互作用を混合し,マッチングすることで,リアルな人間の反応運動を作り出す新しい方法を提案する。
実験はノイズ(深度ベース)と高品質(リバーサベース)の相互作用データセットの両方で実施される。
論文 参考訳(メタデータ) (2022-07-23T16:13:10Z) - Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction [32.970169015894705]
我々は,時間的全変動に基づくマルチエージェントインタラクションの注意モデルを構築した。
我々は,その利点を,合成運転データと自然運転データの両方に対する最先端のアプローチと比較することにより,予測精度の面で示す。
論文 参考訳(メタデータ) (2022-03-08T21:54:28Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳(メタデータ) (2021-07-10T03:49:41Z) - 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)
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。