論文の概要: Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion
- arxiv url: http://arxiv.org/abs/2203.13777v1
- Date: Fri, 25 Mar 2022 16:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 12:58:18.674412
- Title: Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion
- Title(参考訳): 運動不確定性拡散による確率軌道予測
- Authors: Tianpei Gu, Guangyi Chen, Junlong Li, Chunze Lin, Yongming Rao, Jie
Zhou, Jiwen Lu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 88.45326906116165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human behavior has the nature of indeterminacy, which requires the pedestrian
trajectory prediction system to model the multi-modality of future motion
states. Unlike existing stochastic trajectory prediction methods which usually
use a latent variable to represent multi-modality, we explicitly simulate the
process of human motion variation from indeterminate to determinate. In this
paper, we present a new framework to formulate the trajectory prediction task
as a reverse process of motion indeterminacy diffusion (MID), in which we
progressively discard indeterminacy from all the walkable areas until reaching
the desired trajectory. This process is learned with a parameterized Markov
chain conditioned by the observed trajectories. We can adjust the length of the
chain to control the degree of indeterminacy and balance the diversity and
determinacy of the predictions. Specifically, we encode the history behavior
information and the social interactions as a state embedding and devise a
Transformer-based diffusion model to capture the temporal dependencies of
trajectories. Extensive experiments on the human trajectory prediction
benchmarks including the Stanford Drone and ETH/UCY datasets demonstrate the
superiority of our method. Code is available at
https://github.com/gutianpei/MID.
- Abstract(参考訳): 人間の行動は不確定性の性質を持ち、将来の運動状態のマルチモダリティをモデル化するために歩行者追跡予測システムを必要とする。
マルチモダリティを表すために通常潜伏変数を用いる既存の確率的軌道予測法とは異なり、不定点から定点への人間の動き変化の過程を明示的にシミュレートする。
本稿では,移動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化するための新しい枠組みを提案する。
この過程は、観測軌道によって条件付けられたパラメータ化されたマルコフ連鎖で学習される。
チェーンの長さを調整し、不確定性の程度を制御し、予測の多様性と決定性のバランスをとることができる。
具体的には,歴史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,トラジェクタの時間的依存性を捉えるトランスフォーマティブ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に関する大規模な実験は,本手法の優位性を実証している。
コードはhttps://github.com/gutianpei/MIDで入手できる。
関連論文リスト
- Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳(メタデータ) (2024-02-19T15:48:55Z) - Uncovering the human motion pattern: Pattern Memory-based Diffusion
Model for Trajectory Prediction [45.77348842004666]
動作パターン優先記憶ネットワーク(Motion Pattern Priors Memory Network)は、人間の行動に潜む動きパターンを明らかにするためのメモリベースの手法である。
メモリバンクから各予測に対して一致したパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入する。
提案手法の有効性を検証し,最先端の軌道予測精度を実現する。
論文 参考訳(メタデータ) (2024-01-05T17:39:52Z) - Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints [9.385936248154987]
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2023-09-29T15:48:35Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳(メタデータ) (2022-11-21T07:29:24Z) - Human Joint Kinematics Diffusion-Refinement for Stochastic Motion
Prediction [22.354538952573158]
MotionDiffは、人間の関節のキネマティクスを加熱粒子として扱う拡散確率モデルである。
MotionDiffは、多種多様な可塑性運動を生成する空間時間変換器ベースの拡散ネットワークと、出力をさらに洗練するためのグラフ畳み込みネットワークの2つの部分で構成されている。
論文 参考訳(メタデータ) (2022-10-12T07:38:33Z) - Graph-based Spatial Transformer with Memory Replay for Multi-future
Pedestrian Trajectory Prediction [13.466380808630188]
歴史的軌跡に基づく複数経路の予測モデルを提案する。
提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。
実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
論文 参考訳(メタデータ) (2022-06-12T10:25:12Z) - Weakly-supervised Action Transition Learning for Stochastic Human Motion
Prediction [81.94175022575966]
動作駆動型人間の動作予測の課題について紹介する。
一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
論文 参考訳(メタデータ) (2022-05-31T08:38:07Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - 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) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。