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

• HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
  身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。 非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。 得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
  論文  参考訳（メタデータ） (2024-09-05T23:50:57Z)
• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
  本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。 ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。 我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
  論文  参考訳（メタデータ） (2024-02-07T11:37:14Z)
• Self Model for Embodied Intelligence: Modeling Full-Body Human Musculoskeletal System and Locomotion Control with Hierarchical Low-Dimensional Representation [22.925312305575183]
  筋骨格モデル(MS-Human-700)を90個の体節,206個の関節,700個の筋腱ユニットで構築した。 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)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• 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)
• 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)

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。