Fugu-MT 論文翻訳(概要): Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder

論文の概要: Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder

arxiv url: http://arxiv.org/abs/2202.03954v1
Date: Tue, 8 Feb 2022 16:04:47 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 13:48:13.222629
Title: Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder
Title（参考訳）: Social-DualCVAE:ソーシャルインタラクションパターン認識とデュアル条件変分自動エンコーダに基づくマルチモーダル軌道予測
Authors: Jiashi Gao, Xinming Shi, James J.Q. Yu
Abstract要約: マルチモーダル軌道予測のための条件付き変分自動エンコーダ(Social-DualCVAE)を提案する。これは、過去の軌跡だけでなく、教師なしの相互作用パターンの分類にもとづく生成モデルに基づいている。提案手法は,広く用いられているトラジェクトリ・ベンチマークで評価され,従来の最先端手法よりも優れていた。
参考スコア（独自算出の注目度）: 14.05141917351931
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pedestrian trajectory forecasting is a fundamental task in multiple utility areas, such as self-driving, autonomous robots, and surveillance systems. The future trajectory forecasting is multi-modal, influenced by physical interaction with scene contexts and intricate social interactions among pedestrians. The mainly existing literature learns representations of social interactions by deep learning networks, while the explicit interaction patterns are not utilized. Different interaction patterns, such as following or collision avoiding, will generate different trends of next movement, thus, the awareness of social interaction patterns is important for trajectory forecasting. Moreover, the social interaction patterns are privacy concerned or lack of labels. To jointly address the above issues, we present a social-dual conditional variational auto-encoder (Social-DualCVAE) for multi-modal trajectory forecasting, which is based on a generative model conditioned not only on the past trajectories but also the unsupervised classification of interaction patterns. After generating the category distribution of the unlabeled social interaction patterns, DualCVAE, conditioned on the past trajectories and social interaction pattern, is proposed for multi-modal trajectory prediction by latent variables estimating. A variational bound is derived as the minimization objective during training. The proposed model is evaluated on widely used trajectory benchmarks and outperforms the prior state-of-the-art methods.
Abstract（参考訳）: 歩行者軌道予測は、自動運転、自律ロボット、監視システムなど、複数のユーティリティ領域において基本的なタスクである。将来の軌跡予測はマルチモーダルであり、シーンコンテキストとの物理的相互作用や歩行者間の複雑な社会的相互作用の影響を受けている。既存の文献は主に深層学習ネットワークによる社会的相互作用の表現を学習するが、明示的な相互作用パターンは利用されない。フォローや衝突回避といった異なる相互作用パターンは、次の動きの異なる傾向を生み出すため、軌道予測には社会的相互作用パターンの認識が重要である。さらに、社会的相互作用パターンはプライバシーやラベルの欠如に関係している。上記の課題に共同で対処するために、過去の軌跡だけでなく相互作用パターンの教師なし分類にもとづく生成モデルに基づくマルチモーダル軌道予測のためのソーシャル・デュアル条件変分自動エンコーダ(Social-DualCVAE)を提案する。過去の軌跡と社会的相互作用パターンに基づいて, ラベルなしの社会的相互作用パターンであるdualcvaeのカテゴリ分布を生成後, 潜在変数推定によるマルチモーダル軌道予測のために提案する。変動境界は訓練中の最小化目標として導出される。提案手法は, 広く用いられている軌道ベンチマークで評価され, 先行手法よりも優れていた。

関連論文リスト

TrajPRed: Trajectory Prediction with Region-based Relation Learning [11.714283460714073]
本研究では,交通現場における人的軌跡予測のための地域型関係学習パラダイムを提案する。社会的相互作用は、グローバルな視点から、局所的な関節情報の時間的変化を関連づけることでモデル化される。予測枠組みにおいて,マルチゴール推定と地域関係学習を統合し,2つの刺激,社会的相互作用,目標をモデル化する。
論文参考訳（メタデータ） (2024-04-10T12:31:43Z)
Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文参考訳（メタデータ） (2024-01-22T18:58:22Z)
Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
論文参考訳（メタデータ） (2022-09-25T15:18:56Z)
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)
You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文参考訳（メタデータ） (2021-10-11T14:24:15Z)
SocialInteractionGAN: Multi-person Interaction Sequence Generation [0.0]
条件付き相互作用生成のための新しい対比アーキテクチャであるSocialInteractionGANを提示する。本モデルは,再帰型エンコーダデコーダジェネレータネットワークとデュアルストリームディスクリミネータ上に構築する。提案されたSocialInteractionGANは、対話する人々の高いリアリズムアクションシーケンスを生成することに成功していることを示す。
論文参考訳（メタデータ） (2021-03-10T08:11:34Z)
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)
Collaborative Motion Prediction via Neural Motion Message Passing [37.72454920355321]
我々は,アクター間の対話を明示的にモデル化し,アクター間の対話の表現を学習するために,ニューラルモーションメッセージパッシング(NMMP)を提案する。提案したNMMPに基づいて,歩行者設定と共同歩行者設定と車両設定の2つの設定に対して,動作予測システムを設計する。どちらのシステムも、既存のベンチマークで過去の最先端の手法より優れている。
論文参考訳（メタデータ） (2020-03-14T10:12:54Z)
Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。また、車両軌道予測に効率的なキネマティック拘束層を応用した。提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。