論文の概要: Action-based Contrastive Learning for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2207.08664v1
• Date: Mon, 18 Jul 2022 15:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 19:56:56.379249
• Title: Action-based Contrastive Learning for Trajectory Prediction
• Title（参考訳）: 軌跡予測のための行動に基づくコントラスト学習
• Authors: Marah Halawa, Olaf Hellwich, Pia Bideau
• Abstract要約: 軌道予測は、自律運転など、人間のロボットのインタラクションを成功させる上で不可欠なタスクである。 本研究では,移動カメラを用いたファースト・パーソン・ビュー・セッティングにおける将来の歩行者軌跡予測の問題に対処する。 本稿では,歩行者行動情報を利用して学習軌跡埋め込みを改善する,新たな行動に基づくコントラスト学習損失を提案する。
• 参考スコア（独自算出の注目度）: 4.675212251005813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction is an essential task for successful human robot interaction, such as in autonomous driving. In this work, we address the problem of predicting future pedestrian trajectories in a first person view setting with a moving camera. To that end, we propose a novel action-based contrastive learning loss, that utilizes pedestrian action information to improve the learned trajectory embeddings. The fundamental idea behind this new loss is that trajectories of pedestrians performing the same action should be closer to each other in the feature space than the trajectories of pedestrians with significantly different actions. In other words, we argue that behavioral information about pedestrian action influences their future trajectory. Furthermore, we introduce a novel sampling strategy for trajectories that is able to effectively increase negative and positive contrastive samples. Additional synthetic trajectory samples are generated using a trained Conditional Variational Autoencoder (CVAE), which is at the core of several models developed for trajectory prediction. Results show that our proposed contrastive framework employs contextual information about pedestrian behavior, i.e. action, effectively, and it learns a better trajectory representation. Thus, integrating the proposed contrastive framework within a trajectory prediction model improves its results and outperforms state-of-the-art methods on three trajectory prediction benchmarks [31, 32, 26].
• Abstract（参考訳）: 軌道予測は、自律運転など、人間のロボットのインタラクションを成功させる上で不可欠なタスクである。 本研究では,移動カメラを用いたファースト・パーソン・ビュー・セッティングにおける将来の歩行者軌跡予測の問題に対処する。 そこで本研究では,歩行者行動情報を用いて学習軌跡埋め込みを改善する新しい行動ベースのコントラスト学習損失を提案する。 この新たな損失の背後にある基本的な考え方は、同じ行動を行う歩行者の軌跡が、全く異なる行動を持つ歩行者の軌跡よりも、特徴空間内で互いに近づくべきだというものである。 言い換えれば、歩行者行動に関する行動情報は将来の軌跡に影響を及ぼす。 さらに, 負および正のコントラストサンプルを効果的に増やすことができるトラジェクタのための新しいサンプリング戦略を提案する。 追加の合成軌道サンプルは、軌道予測のために開発されたいくつかのモデルのコアである条件変分オートエンコーダ(CVAE)を用いて生成される。 その結果,提案するコントラストフレームワークは歩行者行動,すなわち行動に関する文脈情報を効果的に活用し,より優れた軌道表現を学習できることがわかった。 そこで,提案手法をトラジェクティブ予測モデルに組み込むことで,結果が改善され,3つのトラジェクトリ予測ベンチマーク [31, 32, 26] における最先端手法よりも優れる。

関連論文リスト

• Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction [3.522062800701924]
  我々は,過去の軌跡観測,局所的文脈特徴,グローバルな特徴を組み合わせることで,軌跡と意図の予測を学習するPTINetを紹介する。 提案手法の有効性は, JAAD と PIE を用いて評価した。 PTINetは、都市環境で歩行者とシームレスに対話できる自動システムの開発の道を開く。
  論文  参考訳（メタデータ） (2024-07-24T11:06:47Z)
• LG-Traj: LLM Guided Pedestrian Trajectory Prediction [9.385936248154987]
  LG-Trajは歩行者の過去・保存軌道に現れる動きの手がかりを生成する新しい手法である。 これらの動きの手がかりは、歩行者の座標とともに、下層の表現をよりよく理解するのに役立つ。 本手法では,移動パターンをモデル化するモーションエンコーダと,歩行者間の社会的相互作用を捉えるソーシャルデコーダからなるトランスフォーマーアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-03-12T19:06:23Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving [13.126949982768505]
  歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。 都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。 本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T11:24:38Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• 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)
• Social NCE: Contrastive Learning of Socially-aware Motion Representations [87.82126838588279]
  実験結果から, 提案手法は最近の軌道予測, 行動クローニング, 強化学習アルゴリズムの衝突速度を劇的に低減することがわかった。 本手法は,ニューラルネットワークの設計に関する仮定をほとんど示さないため,神経運動モデルのロバスト性を促進する汎用的手法として使用できる。
  論文  参考訳（メタデータ） (2020-12-21T22:25:06Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。