論文の概要: Motron: Multimodal Probabilistic Human Motion Forecasting
- arxiv url: http://arxiv.org/abs/2203.04132v1
- Date: Tue, 8 Mar 2022 14:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 14:50:21.576558
- Title: Motron: Multimodal Probabilistic Human Motion Forecasting
- Title(参考訳): Motron:マルチモーダルな確率的人間の動き予測
- Authors: Tim Salzmann, Marco Pavone, Markus Ryll
- Abstract要約: モトロン(Motron)は、人間のマルチモーダルを捉えるグラフ構造モデルである。
各モードに対して決定論的動きと対応する信頼値を出力する。
実世界の動き予測データセットを用いて,本モデルの性能を実証する。
- 参考スコア(独自算出の注目度): 30.154996245556532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous systems and humans are increasingly sharing the same space. Robots
work side by side or even hand in hand with humans to balance each other's
limitations. Such cooperative interactions are ever more sophisticated. Thus,
the ability to reason not just about a human's center of gravity position, but
also its granular motion is an important prerequisite for human-robot
interaction. Though, many algorithms ignore the multimodal nature of humans or
neglect uncertainty in their motion forecasts. We present Motron, a multimodal,
probabilistic, graph-structured model, that captures human's multimodality
using probabilistic methods while being able to output deterministic motions
and corresponding confidence values for each mode. Our model aims to be tightly
integrated with the robotic planning-control-interaction loop; outputting
physically feasible human motions and being computationally efficient. We
demonstrate the performance of our model on several challenging real-world
motion forecasting datasets, outperforming a wide array of generative methods
while providing state-of-the-art deterministic motions if required. Both using
significantly less computational power than state-of-the art algorithms.
- Abstract(参考訳): 自律システムと人間は同じ空間を共有している。
ロボットは、お互いの限界のバランスをとるために、人間と手を組んで作業する。
このような協調的な相互作用はより洗練されたものである。
したがって、人間の重心位置だけでなく、その粒状運動を推論する能力は、人間とロボットの相互作用にとって重要な前提条件である。
しかし、多くのアルゴリズムは人間のマルチモーダル性を無視したり、運動予測の不確実性を無視する。
本稿では,確率的手法を用いて人間のマルチモーダリティをキャプチャし,各モードに対して決定論的動作と対応する信頼値を出力できるマルチモーダル,確率,グラフ構造モデルであるmotronを提案する。
我々のモデルは、物理的に実現可能な人間の動きを出力し、計算効率の良いロボット計画制御-相互作用ループと密に統合することを目的としている。
実世界の動き予測データセットにおいて,本モデルの性能を実証し,必要に応じて最先端の決定論的動作を提供しながら,多種多様な生成手法を上回った。
どちらも最先端のアルゴリズムよりも計算能力が低い。
関連論文リスト
- Self Model for Embodied Intelligence: Modeling Full-Body Human
Musculoskeletal System and Locomotion Control with Hierarchical
Low-Dimensional Representation [25.044256750634087]
体節90個,関節206個,腱700個からなる筋骨格モデルを構築した。
低次元表現と階層的深部強化学習を用いた新しいアルゴリズムを開発し、最先端のフルボディ制御を実現する。
論文 参考訳(メタデータ) (2023-12-09T05:42:32Z) - SynH2R: Synthesizing Hand-Object Motions for Learning Human-to-Robot
Handovers [37.49601724575655]
視覚に基づく人間とロボットのハンドオーバは、人間とロボットのインタラクションにおいて重要かつ困難なタスクである。
本稿では,ロボットの訓練に適した人間のつかみ動作を生成するためのフレームワークを提案する。
これにより、以前の作業よりも100倍多くのオブジェクトで、総合的なトレーニングとテストデータを生成することができます。
論文 参考訳(メタデータ) (2023-11-09T18:57:02Z) - Hierarchical generative modelling for autonomous robots [8.023920215148486]
人型ロボットが、移動、操作、把握の全体的利用を必要とする複雑なタスクを自律的に完了できることを示します。
具体的には、箱を回収して輸送し、ドアを通り抜けて目的地に到達し、接近し、サッカーを蹴ることのできるヒューマノイドロボットの能力を示すとともに、身体の損傷や地面の不規則性の存在下で頑健な性能を示す。
論文 参考訳(メタデータ) (2023-08-15T13:51:03Z) - Persistent-Transient Duality: A Multi-mechanism Approach for Modeling
Human-Object Interaction [58.67761673662716]
人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。
人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。
本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
論文 参考訳(メタデータ) (2023-07-24T12:21:33Z) - Task-Oriented Human-Object Interactions Generation with Implicit Neural
Representations [61.659439423703155]
TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成
本手法は時間座標のみでパラメータ化される連続運動を生成する。
この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
論文 参考訳(メタデータ) (2023-03-23T09:31:56Z) - HERD: Continuous Human-to-Robot Evolution for Learning from Human
Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。
本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-08T15:56:13Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳(メタデータ) (2022-03-31T23:08:20Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2021-07-14T09:05:33Z) - Dynamically Switching Human Prediction Models for Efficient Planning [32.180808286226075]
ロボットは人間のモデル群にアクセスでき、オンラインで性能計算のトレードオフを評価することができる。
ドライビングシミュレーターを用いた実験では、ロボットが常に最高の人間モデルに匹敵する性能を発揮できることを示した。
論文 参考訳(メタデータ) (2021-03-13T23:48:09Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳(メタデータ) (2019-12-30T01:10:41Z)
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。