論文の概要: GroupNet: Multiscale Hypergraph Neural Networks for Trajectory
Prediction with Relational Reasoning
- arxiv url: http://arxiv.org/abs/2204.08770v2
- Date: Wed, 20 Apr 2022 04:28:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 03:58:49.122634
- Title: GroupNet: Multiscale Hypergraph Neural Networks for Trajectory
Prediction with Relational Reasoning
- Title（参考訳）: GroupNet:関係推論を用いた軌道予測のためのマルチスケールハイパーグラフニューラルネットワーク
- Authors: Chenxin Xu, Maosen Li, Zhenyang Ni, Ya Zhang, Siheng Chen
- Abstract要約: GroupNetは、ペアワイドとグループワイドの両方のインタラクションをキャプチャする、マルチスケールのハイパーグラフニューラルネットワークである。
CVAEに基づく予測システムと従来の最先端予測システムの両方にGroupNetを適用した。
CVAEに基づく予測システムであるGroupNetは,最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 37.64048110462638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demystifying the interactions among multiple agents from their past
trajectories is fundamental to precise and interpretable trajectory prediction.
However, previous works only consider pair-wise interactions with limited
relational reasoning. To promote more comprehensive interaction modeling for
relational reasoning, we propose GroupNet, a multiscale hypergraph neural
network, which is novel in terms of both interaction capturing and
representation learning. From the aspect of interaction capturing, we propose a
trainable multiscale hypergraph to capture both pair-wise and group-wise
interactions at multiple group sizes. From the aspect of interaction
representation learning, we propose a three-element format that can be learnt
end-to-end and explicitly reason some relational factors including the
interaction strength and category. We apply GroupNet into both CVAE-based
prediction system and previous state-of-the-art prediction systems for
predicting socially plausible trajectories with relational reasoning. To
validate the ability of relational reasoning, we experiment with synthetic
physics simulations to reflect the ability to capture group behaviors, reason
interaction strength and interaction category. To validate the effectiveness of
prediction, we conduct extensive experiments on three real-world trajectory
prediction datasets, including NBA, SDD and ETH-UCY; and we show that with
GroupNet, the CVAE-based prediction system outperforms state-of-the-art
methods. We also show that adding GroupNet will further improve the performance
of previous state-of-the-art prediction systems.
- Abstract（参考訳）: 過去の軌道から複数のエージェント間の相互作用をデミステレーションすることは、正確かつ解釈可能な軌道予測の基礎となる。
しかし、以前の研究は限定的な関係推論を伴うペアワイズ相互作用のみを考慮していた。
関係推論のためのより包括的な相互作用モデリングを促進するために,多スケールハイパーグラフニューラルネットワークであるGroupNetを提案する。
インタラクションキャプチャの観点から,複数のグループサイズでペアワイドとグループワイドの両方のインタラクションをキャプチャする,トレーニング可能なマルチスケールハイパーグラフを提案する。
インタラクション表現学習の側面から、エンドツーエンドで学習できる3要素形式を提案し、相互作用強度やカテゴリを含む関係要因を明確に推論する。
CVAEに基づく予測システムと従来の最先端予測システムにGroupNetを適用し、関係推論による社会的に妥当な軌道の予測を行う。
関係推論の能力を検証するために, 集団行動, 理性相互作用強度, 相互作用カテゴリーを捉える能力を反映した合成物理学シミュレーションを行った。
予測の有効性を検証するため,NBA,SDD,ETH-UCYを含む3つの実世界の軌道予測データセットについて広範な実験を行った。
また,groupnet の追加により,従来の最先端予測システムの性能がさらに向上することを示す。
関連論文リスト
- Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.286256266868156]
トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。
エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。
また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:43:40Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳（メタデータ） (2023-03-01T15:16:56Z) - Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。
PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。
我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
論文 参考訳（メタデータ） (2023-01-09T17:00:34Z) - ProspectNet: Weighted Conditional Attention for Future Interaction
Modeling in Behavior Prediction [5.520507323174275]
本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。
本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。
ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2022-08-29T19:29:49Z) - Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with
Relational Reasoning [29.294244001911242]
動的グループ認識ネットワークDynGroupNetを提案する。
DynGroupNetをベースとして,動的リレーショナル推論を用いて社会的に妥当な軌道を予測するための予測システムを設計する。
論文 参考訳（メタデータ） (2022-06-27T08:36:56Z) - Online Multi-Agent Forecasting with Interpretable Collaborative Graph
Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。
本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文 参考訳（メタデータ） (2021-07-02T08:20:06Z) - EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational
Reasoning [41.42230144157259]
本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。
将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。
トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
論文 参考訳（メタデータ） (2020-03-31T02:49:23Z) - GAMI-Net: An Explainable Neural Network based on Generalized Additive
Models with Structured Interactions [5.8010446129208155]
構造的相互作用を持つ一般化付加モデル(GAMI-Net)に基づく説明可能なニューラルネットワークを提案し,予測精度とモデル解釈可能性とのバランスを良好に追求する。
GAMI-Net(英語版)は、複数の添加物を持つ非絡み合ったフィードフォワードネットワークである。
合成関数と実世界のデータセットの双方に関する数値実験により,提案モデルが優れた解釈性を有することが示された。
論文 参考訳（メタデータ） (2020-03-16T11:51:38Z)
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。