論文の概要: Bayesian Floor Field: Transferring people flow predictions across environments

• arxiv url: http://arxiv.org/abs/2208.10851v2
• Date: Tue, 2 Apr 2024 13:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 14:21:15.398662
• Title: Bayesian Floor Field: Transferring people flow predictions across environments
• Title（参考訳）: ベイジアン・フロア・フィールド:環境にまたがる人の流れ予測の伝達
• Authors: Francesco Verdoja, Tomasz Piotr Kucner, Ville Kyrki,
• Abstract要約: 本研究では,環境学の知識と人間の軌跡からの観察を組み合わせ,動的に学習する新しい手法を提案する。 歩行者の観察を必要とせずに初期移行モデルを構築するために、被占領者に基づくディープ・フォワードが使用される。 我々は,本モデルがデータ効率を向上し,実大規模環境にまたがる一般化を実現する能力を示す。
• 参考スコア（独自算出の注目度）: 8.691309696914882
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mapping people dynamics is a crucial skill for robots, because it enables them 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 is only able to describe the dynamics of the environment it has been built in. However, the impact of architectural geometry on people's movement can be used to anticipate their patterns of dynamics, and recent work has looked into learning maps of dynamics from occupancy. So far however, approaches based on trajectories and those based on geometry have not been combined. In this work we propose a novel Bayesian approach to learn people dynamics able to combine knowledge about the environment geometry with observations from human trajectories. An occupancy-based deep prior is used to build an initial transition model without requiring any observations of pedestrian; the model is then updated when observations become available using Bayesian inference. We demonstrate the ability of our model to increase data efficiency and to generalize across real large-scale environments, which is unprecedented for maps of dynamics.
• Abstract（参考訳）: 人間の動態をマッピングすることはロボットにとって重要なスキルである。 しかし、人動学のモデルを学ぶことは、大量の人が環境に移動する様子を観察する必要がある時間のかかるプロセスである。 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、建築幾何学が人々の運動に与える影響は、動態のパターンを予測するために利用することができ、近年の研究では、占有から力学の地図を学習する研究が進められている。 しかし、これまでのところ、軌跡に基づくアプローチと幾何学に基づくアプローチは組み合わせられていない。 本研究では,環境形状に関する知識と人体軌道からの観測を組み合わせ,人体力学を学習するための新しいベイズ的アプローチを提案する。 歩行者の観察を必要とせずに初期遷移モデルを構築するために、被占領者に基づくディープ・フォワードが使用され、ベイズ推定を用いて観測が利用可能になったときにモデルが更新される。 データ効率の向上と,ダイナミックスマップとしては前例のない大規模環境をまたいだ一般化を実現するための,我々のモデルの有効性を実証する。

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。