論文の概要: Human Trajectory Prediction via Neural Social Physics

• arxiv url: http://arxiv.org/abs/2207.10435v2
• Date: Fri, 31 Mar 2023 17:51:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 17:26:58.537163
• Title: Human Trajectory Prediction via Neural Social Physics
• Title（参考訳）: 神経社会物理による人軌道予測
• Authors: Jiangbei Yue, Dinesh Manocha and He Wang
• Abstract要約: 軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
• 参考スコア（独自算出の注目度）: 63.62824628085961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction has been widely pursued in many fields, and many model-based and model-free methods have been explored. The former include rule-based, geometric or optimization-based models, and the latter are mainly comprised of deep learning approaches. In this paper, we propose a new method combining both methodologies based on a new Neural Differential Equation model. Our new model (Neural Social Physics or NSP) is a deep neural network within which we use an explicit physics model with learnable parameters. The explicit physics model serves as a strong inductive bias in modeling pedestrian behaviors, while the rest of the network provides a strong data-fitting capability in terms of system parameter estimation and dynamics stochasticity modeling. We compare NSP with 15 recent deep learning methods on 6 datasets and improve the state-of-the-art performance by 5.56%-70%. Besides, we show that NSP has better generalizability in predicting plausible trajectories in drastically different scenarios where the density is 2-5 times as high as the testing data. Finally, we show that the physics model in NSP can provide plausible explanations for pedestrian behaviors, as opposed to black-box deep learning. Code is available: https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics.
• Abstract（参考訳）: 軌道予測は多くの分野で広く研究され、多くのモデルベースおよびモデルフリー手法が研究されている。 前者はルールベース、幾何モデル、最適化モデルを含み、後者は主にディープラーニングアプローチで構成されている。 本稿では,ニューラル微分方程式モデルに基づく2つの手法を組み合わせた新しい手法を提案する。 新しいモデル(neural social physicsまたはnsp)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。 明示的物理モデルは歩行者行動のモデル化において強い帰納的バイアスとなり、ネットワークの他の部分はシステムのパラメータ推定と動的確率モデリングの観点から強いデータフィッティング能力を提供する。 NSPを6つのデータセット上の15のディープラーニング手法と比較し、最先端のパフォーマンスを5.56%-70%改善した。 また, nspは, 実験データの2～5倍の密度を持つ場合において, 推定可能な軌跡の予測に優れた一般化性を示す。 最後に,NSPの物理モデルは,ブラックボックスの深層学習とは対照的に,歩行者行動のもっともらしい説明を提供することができることを示す。 コードはhttps://github.com/realcrane/human-trajectory-prediction-via-neural-social-physics。

関連論文リスト

• Physics-Inspired Deep Learning and Transferable Models for Bridge Scour Prediction [2.451326684641447]
  深層学習を用いたせん断予測を橋渡しするために,せん断物理に触発されたニューラルネットワーク(SPINN)を導入する。 SPINNは物理に基づく経験的方程式をディープニューラルネットワークに統合し、サイト固有の履歴監視データを使用してトレーニングする。 性能の変動にもかかわらず、SPINNは、ほとんどのケースで純粋なデータ駆動モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-01T13:08:09Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Physics Embedded Neural Network Vehicle Model and Applications in Risk-Aware Autonomous Driving Using Latent Features [6.33280703577189]
  非ホロノミック車両運動は物理学に基づくモデルを用いて広く研究されている。 本稿では,ディープラーニングと完全に微分可能な物理モデルとをシームレスに組み合わせ,ニューラルネットワークに事前知識を付与する。
  論文  参考訳（メタデータ） (2022-07-16T12:06:55Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning new physics efficiently with nonparametric methods [11.970219534238444]
  モデルに依存しない新しい物理探索のための機械学習手法を提案する。 対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。 トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
  論文  参考訳（メタデータ） (2022-04-05T16:17:59Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
  本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。 この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。 また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-12T15:51:01Z)
• Physics-based polynomial neural networks for one-shot learning of dynamical systems from one or a few samples [0.0]
  本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。 提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
  論文  参考訳（メタデータ） (2020-05-24T09:27:10Z)

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。