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
- Planning for Learning Object Properties [117.27898922118946]
我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。
トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。
シミュレーションと実環境の両方で実験的な評価を行う。
論文 参考訳(メタデータ) (2023-01-15T09:37:55Z) - 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) - Continual Predictive Learning from Videos [100.27176974654559]
本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。
本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。
我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
論文 参考訳(メタデータ) (2022-04-12T08:32:26Z) - OPEn: An Open-ended Physics Environment for Learning Without a Task [132.6062618135179]
オープンエンドな物理環境で学んだ世界のモデルが、特定のタスクを伴わずに、下流の物理推論タスクに再利用できるかどうかについて検討する。
我々は,OPEn(Open-ended Physics ENvironment)のベンチマークを構築し,この環境における学習表現をテストするためのいくつかのタスクを明示的に設計する。
その結果、教師なしのコントラスト学習を表現学習に用いたエージェントと、探索のためのインパクト駆動学習が最良の結果となった。
論文 参考訳(メタデータ) (2021-10-13T17:48:23Z) - Learning Local Recurrent Models for Human Mesh Recovery [50.85467243778406]
本稿では,人間のメッシュを標準的な骨格モデルに従って複数の局所的に分割するビデオメッシュ復元手法を提案する。
次に、各局所部分の力学を別個のリカレントモデルでモデル化し、各モデルは、人体の既知の運動構造に基づいて適切に条件付けする。
これにより、構造的インフォームドな局所的再帰学習アーキテクチャが実現され、アノテーションを使ってエンドツーエンドでトレーニングすることができる。
論文 参考訳(メタデータ) (2021-07-27T14:30:33Z) - Modelling Human Kinetics and Kinematics during Walking using
Reinforcement Learning [0.0]
実世界の人間の運動に匹敵する3次元歩行運動をシミュレーションにより自動生成する手法を開発した。
本手法は, 異なる運動構造と歩行特性を持つヒト-サブジェクトをまたいでよく一般化することを示す。
論文 参考訳(メタデータ) (2021-03-15T04:01:20Z) - Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
モデルに基づく視覚的目標達成のための自己監視手法を提案する。
私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。
このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T23:59:09Z) - 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) - Toward Improving the Evaluation of Visual Attention Models: a
Crowdsourcing Approach [21.81407627962409]
最先端のモデルは、人間のデータからサリエンシマップを学習することに焦点を当てている。
私たちは、現在の測定値の限界を、唾液度予測とスキャンパス類似性に強調する。
本研究では, 教師なし重力モデルによって生じる走査パスが, 有能で有能な人間の観察者にとっていかに有用かを評価することを目的とした研究である。
論文 参考訳(メタデータ) (2020-02-11T14:27:47Z) - 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。