論文の概要: Generating people flow from architecture of real unseen environments

• arxiv url: http://arxiv.org/abs/2208.10851v1
• Date: Tue, 23 Aug 2022 10:09:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 14:02:32.852248
• Title: Generating people flow from architecture of real unseen environments
• Title（参考訳）: 見えない環境の建築から人の流れを生成する
• Authors: Francesco Verdoja, Tomasz Piotr Kucner, Ville Kyrki
• Abstract要約: そこで本研究では,大規模環境下での実際の人間の軌道上でモデルを訓練し,評価する手法を提案する。 そこで本手法は,ダイナミクスのマップとしては前例のない,目に見えない環境に一般化する能力を示す。
• 参考スコア（独自算出の注目度）: 16.777910141592095
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mapping people dynamics is a crucial skill, because it enables robots to coexist in human-inhabited environments. However, learning a model of people dynamics is a time consuming process which requires observation of large amount of people moving in an environment. Moreover, approaches for mapping dynamics are unable to transfer the learned models across environments: each model only able to describe the dynamics of the environment it has been built in. However, the effect of architectural geometry on people movement can be used to estimate their dynamics, and recent work has looked into learning maps of dynamics from geometry. So far however, these methods have evaluated their performance only on small-size synthetic data, leaving the actual ability of these approaches to generalize to real conditions unexplored. In this work we propose a novel approach to learn people dynamics from geometry, where a model is trained and evaluated on real human trajectories in large-scale environments. We then show the ability of our method to generalize to unseen environments, which is unprecedented for maps of dynamics.
• Abstract（参考訳）: ロボットが人間が住んでいる環境で共存できるため、人間のダイナミクスをマッピングすることは重要なスキルだ。 しかしながら、人のダイナミクスのモデルを学ぶことは、環境を移動する大量の人々の観察を必要とする、時間を要するプロセスである。 さらに、ダイナミックスをマッピングするためのアプローチでは、学習したモデルを環境間で転送することはできない。 しかし, 建築幾何学が人体運動に与える影響は, 動態を推定するのに有効であり, 近年の研究では, 幾何学から力学の地図を学習する方法が検討されている。 しかし, これまでにこれらの手法は, 小型合成データのみを用いて性能評価を行っており, 探索されていない実環境に一般化する実際の能力を残している。 本研究では, 大規模環境における実際の人間の軌道上でモデルが訓練され, 評価される幾何学から人のダイナミクスを学ぶための新しいアプローチを提案する。 そこで本手法は,ダイナミクスのマップとしては前例のない,目に見えない環境に一般化する能力を示す。

関連論文リスト

• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• Improving Deep Dynamics Models for Autonomous Vehicles with Multimodal Latent Mapping of Surfaces [23.023397401781757]
  そこで本稿では,潜伏変数ベクトルに条件付けすることで表面認識力学モデルを学ぶ新しい手法を提案する。 潜時マッパーは、複数のモードからの推論中にこれらの潜時変数を更新するように訓練される。 このモデルを用いることで、様々な面および困難面において駆動性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-03-21T11:21:31Z)
• Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
  視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。 まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。 我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Learning Parsimonious Dynamics for Generalization in Reinforcement Learning [0.0]
  擬似力学を学習するモデルを開発する。 政策学習と計画タスクの多種多様性を考慮した潜在力学モデルの有用性を実証する。
  論文  参考訳（メタデータ） (2022-09-29T13:45:34Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Learning intuitive physics and one-shot imitation using state-action-prediction self-organizing maps [0.0]
  人間は探索と模倣によって学び、世界の因果モデルを構築し、両方を使って新しいタスクを柔軟に解決する。 このような特徴を生み出す単純だが効果的な教師なしモデルを提案する。 エージェントがアクティブな推論スタイルで柔軟に解決する、複数の関連するが異なる1ショットの模倣タスクに対して、その性能を示す。
  論文  参考訳（メタデータ） (2020-07-03T12:29:11Z)
• Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
  そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。 私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。 学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
  論文  参考訳（メタデータ） (2020-03-20T16:13:47Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。