Fugu-MT 論文翻訳(概要): Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with Relational Reasoning

論文の概要: Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with Relational Reasoning

arxiv url: http://arxiv.org/abs/2206.13114v1
Date: Mon, 27 Jun 2022 08:36:56 GMT
ステータス: 処理完了
システム内更新日: 2022-06-29 01:01:26.266783
Title: Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with Relational Reasoning
Title（参考訳）: 関係推論を用いたマルチエージェント軌道予測のための動的グループ認識ネットワーク
Authors: Chenxin Xu, Yuxi Wei, Bohan Tang, Sheng Yin, Ya Zhang, Siheng Chen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 29.294244001911242
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 mainly consider static, pair-wise interactions with limited relational reasoning. To promote more comprehensive interaction modeling and relational reasoning, we propose DynGroupNet, a dynamic-group-aware network, which can i) model time-varying interactions in highly dynamic scenes; ii) capture both pair-wise and group-wise interactions; and iii) reason both interaction strength and category without direct supervision. Based on DynGroupNet, we further design a prediction system to forecast socially plausible trajectories with dynamic relational reasoning. The proposed prediction system leverages the Gaussian mixture model, multiple sampling and prediction refinement to promote prediction diversity, training stability and trajectory smoothness, respectively. Extensive experiments show that: 1)DynGroupNet can capture time-varying group behaviors, infer time-varying interaction category and interaction strength during trajectory prediction without any relation supervision on physical simulation datasets; 2)DynGroupNet outperforms the state-of-the-art trajectory prediction methods by a significant improvement of 22.6%/28.0%, 26.9%/34.9%, 5.1%/13.0% in ADE/FDE on the NBA, NFL Football and SDD datasets and achieve the state-of-the-art performance on the ETH-UCY dataset.
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。しかしながら、以前の著作は主に、限定的な関係推論を伴う静的かつペアワイズな相互作用を考察している。より包括的な相互作用モデリングと関係推論を促進するために,動的グループ認識ネットワークDynGroupNetを提案する。一高ダイナミックな場面における時間変化相互作用のモデル化二対関係及び群相互作用の双方を捕獲すること。三直接監督することなく、相互作用の強さ及びカテゴリーの両方を理由とする。 DynGroupNetをベースとして,動的リレーショナル推論を用いた社会的に妥当な軌道の予測システムをさらに設計する。提案手法では, ガウス混合モデル, 多重サンプリング, 予測精度を活用し, 予測の多様性, トレーニング安定性, 軌道の滑らかさをそれぞれ促進できる。 Extensive experiments show that: 1)DynGroupNet can capture time-varying group behaviors, infer time-varying interaction category and interaction strength during trajectory prediction without any relation supervision on physical simulation datasets; 2)DynGroupNet outperforms the state-of-the-art trajectory prediction methods by a significant improvement of 22.6%/28.0%, 26.9%/34.9%, 5.1%/13.0% in ADE/FDE on the NBA, NFL Football and SDD datasets and achieve the state-of-the-art performance on the ETH-UCY dataset.

関連論文リスト

MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文参考訳（メタデータ） (2024-04-25T12:47:47Z)
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)
NashFormer: Leveraging Local Nash Equilibria for Semantically Diverse Trajectory Prediction [11.319057000888638]
NashFormerは、ゲーム理論の逆強化学習を活用してマルチモーダル予測のカバレッジを改善する、軌道予測のためのフレームワークである。実験の結果,予測器はベースラインモデルよりも33%以上の潜在的な相互作用をカバーし,正確な予測を行うことがわかった。
論文参考訳（メタデータ） (2023-05-28T00:41:29Z)
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)
GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning [37.64048110462638]
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。
論文参考訳（メタデータ） (2022-04-19T09:36:20Z)
RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting [34.54878390622877]
本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
論文参考訳（メタデータ） (2021-08-03T06:30:30Z)
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)
Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文参考訳（メタデータ） (2020-06-20T03:29:02Z)
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)

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。