論文の概要: Learning the Pedestrian-Vehicle Interaction for Pedestrian Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2202.05334v1
• Date: Thu, 10 Feb 2022 21:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 14:44:58.901853
• Title: Learning the Pedestrian-Vehicle Interaction for Pedestrian Trajectory Prediction
• Title（参考訳）: 歩行者軌跡予測のための歩行者車間相互作用の学習
• Authors: Chi Zhang (1), Christian Berger (1) ((1) Department of Computer Science and Engineering, University of Gothenburg, Gothenburg, Sweden)
• Abstract要約: 我々は歩行者と車両の相互作用を学習するためのPVI抽出器という新しいニューラルネットワーク構造を提案する。 逐次的アプローチと非逐次アプローチの両方に基づいて提案したPVI抽出器を実装した。 その結果、歩行者と車両の相互作用が歩行者行動に影響を及ぼし、提案したPVI抽出器を用いたモデルが相互作用を捉えることができた。
• 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: In this paper, we study the interaction between pedestrians and vehicles and propose a novel neural network structure called the Pedestrian-Vehicle Interaction (PVI) extractor for learning the pedestrian-vehicle interaction. We implement the proposed PVI extractor on both sequential approaches (long short-term memory (LSTM) models) and non-sequential approaches (convolutional models). We use the Waymo Open Dataset that contains real-world urban traffic scenes with both pedestrian and vehicle annotations. For the LSTM-based models, our proposed model is compared with Social-LSTM and Social-GAN, and using our proposed PVI extractor reduces the average displacement error (ADE) and the final displacement error (FDE) by 7.46% and 5.24%, respectively. For the convolutional-based models, our proposed model is compared with Social-STGCNN and Social-IWSTCNN, and using our proposed PVI extractor reduces the ADE and FDE by 2.10% and 1.27%, respectively. The results show that the pedestrian-vehicle interaction influences pedestrian behavior, and the models using the proposed PVI extractor can capture the interaction between pedestrians and vehicles, and thereby outperform the compared methods.
• Abstract（参考訳）: 本稿では,歩行者と車両のインタラクションについて検討し,歩行者と車両のインタラクションを学習するためのPVIと呼ばれるニューラルネットワーク構造を提案する。 提案するpvi抽出器は,逐次的アプローチ(long short-term memory (lstm)モデル)と非逐次的アプローチ(convolutional model)の両方に実装する。 Waymo Open Datasetは、実際の都市交通シーンを歩行者と車両の両方のアノテーションで表現しています。 LSTMモデルでは,提案モデルとSocial-LSTMとSocial-GANを比較し,PVI抽出器を用いて平均変位誤差(ADE)と最終変位誤差(FDE)をそれぞれ7.46%と5.24%削減する。 畳み込みモデルでは,提案モデルとSocial-STGCNNとSocial-IWSTCNNを比較し,PVI抽出器を用いてADEとFDEをそれぞれ2.10%,FDEを1.27%削減する。 その結果, 歩行者と車両の相互作用は歩行者の行動に影響を与え, 提案するpvi抽出器を用いたモデルでは歩行者と車両の相互作用を捉えることができ, 比較手法よりも優れることがわかった。

関連論文リスト

• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Design and Prototyping Distributed CNN Inference Acceleration in Edge Computing [85.74517957717363]
  HALPはエッジコンピューティングにおけるエッジデバイス(ED)間のシームレスなコラボレーションを設計することで推論を加速する。 実験により、分散推論HALPはVGG-16に対して1.7倍の推論加速を達成することが示された。 分散推論HALPを用いたモデル選択は,サービスの信頼性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-11-24T19:48:30Z)
• 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)
• 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)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
  本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。 この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。 また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-12T15:51:01Z)
• Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
  本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。 ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。 本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
  論文  参考訳（メタデータ） (2020-06-23T11:25:16Z)
• A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
  本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。 各車両のマルチモーダル状態情報がモデル入力として使用される。 モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
  論文  参考訳（メタデータ） (2020-03-07T01:23:20Z)
• 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)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。