論文の概要: Non-Probability Sampling Network for Stochastic Human Trajectory
Prediction
- arxiv url: http://arxiv.org/abs/2203.13471v1
- Date: Fri, 25 Mar 2022 06:41:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 13:06:48.289271
- Title: Non-Probability Sampling Network for Stochastic Human Trajectory
Prediction
- Title（参考訳）: 確率的軌道予測のための非確率サンプリングネットワーク
- Authors: Inhwan Bae, Jin-Hwi Park, Hae-Gon Jeon
- Abstract要約: 歩行者の軌跡予測を組み込むためには,マルチモーダルな性質の獲得が不可欠である。
本稿では,従来のランダムサンプリングの代替として,サンプリング空間の均一なカバレッジを確保するQuasi-Carlo法を提案する。
我々は、学習可能なサンプリングネットワークを既存のネットワークに導入し、軌道予測を行う。
- 参考スコア（独自算出の注目度）: 16.676008193894223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Capturing multimodal natures is essential for stochastic pedestrian
trajectory prediction, to infer a finite set of future trajectories. The
inferred trajectories are based on observation paths and the latent vectors of
potential decisions of pedestrians in the inference step. However, stochastic
approaches provide varying results for the same data and parameter settings,
due to the random sampling of the latent vector. In this paper, we analyze the
problem by reconstructing and comparing probabilistic distributions from
prediction samples and socially-acceptable paths, respectively. Through this
analysis, we observe that the inferences of all stochastic models are biased
toward the random sampling, and fail to generate a set of realistic paths from
finite samples. The problem cannot be resolved unless an infinite number of
samples is available, which is infeasible in practice. We introduce that the
Quasi-Monte Carlo (QMC) method, ensuring uniform coverage on the sampling
space, as an alternative to the conventional random sampling. With the same
finite number of samples, the QMC improves all the multimodal prediction
results. We take an additional step ahead by incorporating a learnable sampling
network into the existing networks for trajectory prediction. For this purpose,
we propose the Non-Probability Sampling Network (NPSN), a very small network
(~5K parameters) that generates purposive sample sequences using the past paths
of pedestrians and their social interactions. Extensive experiments confirm
that NPSN can significantly improve both the prediction accuracy (up to 60%)
and reliability of the public pedestrian trajectory prediction benchmark. Code
is publicly available at https://github.com/inhwanbae/NPSN .
- Abstract（参考訳）: マルチモーダルな性質を捉えることは、確率的歩行者軌道予測に必須であり、将来の軌道の有限集合を推定する。
推定軌道は、推定ステップにおける歩行者の潜在的な決定の観測経路と潜在ベクトルに基づく。
しかし、確率的アプローチは、潜在ベクトルのランダムサンプリングにより、同じデータとパラメータの設定に対して様々な結果を与える。
本稿では,予測サンプルと社会的受容可能な経路から確率分布を再構成し,比較することにより問題を解析する。
この解析を通じて,すべての確率モデルの推論はランダムサンプリングに偏り,有限サンプルから現実的なパスを生成することができないことを観察した。
無限のサンプルが得られない限り、この問題は解決できないが、実際は不可能である。
本稿では,従来のランダムサンプリングの代替として,サンプリング空間の均一なカバレッジを確保するQuasi-Monte Carlo (QMC)法を提案する。
同じ有限個のサンプル数で、qmcは全てのマルチモーダル予測結果を改善する。
学習可能なサンプリングネットワークを既存のネットワークに組み込んで軌道予測を行う。
この目的のために,歩行者の過去の経路と社会的相互作用を用いてサンプルシーケンスを生成する,非常に小さなネットワーク(約5Kパラメータ)であるNon-Probability Sampling Network (NPSN)を提案する。
大規模な実験により、NPSNは公共歩行者軌道予測ベンチマークの予測精度(最大60%)と信頼性の両方を著しく改善できることを確認した。
コードはhttps://github.com/inhwanbae/NPSNで公開されている。
関連論文リスト
- Practical Probabilistic Model-based Deep Reinforcement Learning by
Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。
トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
論文 参考訳（メタデータ） (2023-09-20T06:39:19Z) - Unsupervised Sampling Promoting for Stochastic Human Trajectory
Prediction [10.717921532244613]
本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。
具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。
この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
論文 参考訳（メタデータ） (2023-04-09T19:15:14Z) - Estimating Regression Predictive Distributions with Sample Networks [17.935136717050543]
モデル不確実性に対する一般的なアプローチは、パラメトリック分布を選択し、最大推定を用いてデータに適合させることである。
選択されたパラメトリック形式は、データ生成分布に不適合であり、信頼できない不確実性推定をもたらす。
出力分布にパラメトリック形式を指定することを避けるため,不確実性をモデル化するためのフレキシブルでスケーラブルなアーキテクチャであるSampleNetを提案する。
論文 参考訳（メタデータ） (2022-11-24T17:23:29Z) - Diverse Human Motion Prediction via Gumbel-Softmax Sampling from an
Auxiliary Space [34.83587750498361]
多様な人間の動き予測は、観測されたポーズのシーケンスから、複数の将来のポーズシーケンスを予測することを目的としている。
従来のアプローチでは、通常、データの条件分布をモデル化するために深い生成ネットワークを使用し、その後、分布からランダムにサンプル結果を得る。
不均衡なマルチモーダル分布から非常に多様な結果をサンプリングするための新しいサンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-07-15T09:03:57Z) - Continuous and Distribution-free Probabilistic Wind Power Forecasting: A
Conditional Normalizing Flow Approach [1.684864188596015]
条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。
既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
論文 参考訳（メタデータ） (2022-06-06T08:48:58Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Boost Test-Time Performance with Closed-Loop Inference [85.43516360332646]
そこで本研究では,モデル性能を高めるために,ループ方式でハードクラス化試験サンプルを予測することを提案する。
まず、追加の推論ループを必要とするハードクラス化テストサンプルを識別するためにフィルタリング基準を考案する。
各ハードサンプルに対して、モデルのキャリブレーションを行うために、元の上位$K$予測に基づいて補助学習タスクを構築する。
論文 参考訳（メタデータ） (2022-03-21T10:20:21Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:58:34Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z)
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。