論文の概要: Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting

• arxiv url: http://arxiv.org/abs/2209.12243v1
• Date: Sun, 25 Sep 2022 15:18:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 16:25:58.513611
• Title: Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting
• Title（参考訳）: 人間軌道予測のための安全性に準拠した生成型逆ネットワーク
• Authors: Parth Kothari and Alexandre Alahi
• Abstract要約: 群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
• 参考スコア（独自算出の注目度）: 95.82600221180415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory forecasting in crowds presents the challenges of modelling social interactions and outputting collision-free multimodal distribution. Following the success of Social Generative Adversarial Networks (SGAN), recent works propose various GAN-based designs to better model human motion in crowds. Despite superior performance in reducing distance-based metrics, current networks fail to output socially acceptable trajectories, as evidenced by high collisions in model predictions. To counter this, we introduce SGANv2: an improved safety-compliant SGAN architecture equipped with spatio-temporal interaction modelling and a transformer-based discriminator. The spatio-temporal modelling ability helps to learn the human social interactions better while the transformer-based discriminator design improves temporal sequence modelling. Additionally, SGANv2 utilizes the learned discriminator even at test-time via a collaborative sampling strategy that not only refines the colliding trajectories but also prevents mode collapse, a common phenomenon in GAN training. Through extensive experimentation on multiple real-world and synthetic datasets, we demonstrate the efficacy of SGANv2 to provide socially-compliant multimodal trajectories.
• Abstract（参考訳）: 群衆における人間の軌道予測は、社会的相互作用のモデル化と衝突のないマルチモーダル分布の出力の課題を提示している。 SGAN(Social Generative Adversarial Networks)の成功に続いて、近年の研究では、群衆の人間の動きをより良くモデル化するための様々なGANベースのデザインが提案されている。 距離ベースのメトリクスを減らす性能は優れているが、現在のネットワークは、モデル予測における高い衝突によって証明されるように、社会的に許容される軌道を出力できない。 これに対応するために,時空間相互作用モデリングと変圧器に基づく識別器を備えた安全対応SGANアーキテクチャを改良したSGANv2を提案する。 時空間モデリング能力は人間の社会的相互作用の学習に役立つが、トランスフォーマベースの判別器の設計は時間系列モデリングを改善する。 さらに、SGANv2は、コライディング軌道を洗練させるだけでなく、GAN訓練における一般的な現象であるモード崩壊を防止できる協調的なサンプリング戦略を通じて、テスト時にも学習した判別器を利用する。 複数の実世界および合成データセットの広範な実験を通じて、社会に適応したマルチモーダル軌道を提供するためのSGANv2の有効性を実証する。

関連論文リスト

• Parallelly Tempered Generative Adversarial Networks [7.94957965474334]
  生成的敵対ネットワーク(GAN)は、生成的人工知能(AI)における代表的バックボーンモデルである。 本研究は,モード崩壊の存在下でのトレーニングの不安定性と非効率性を,対象分布におけるマルチモーダルにリンクすることで解析する。 新たに開発したGAN目標関数により, 生成元は同時に全ての誘電分布を学習することができる。
  論文  参考訳（メタデータ） (2024-11-18T18:01:13Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Human motion trajectory prediction using the Social Force Model for real-time and low computational cost applications [3.5970055082749655]
  新たな軌道予測モデルSoFGAN(Social Force Generative Adversarial Network)を提案する。 SoFGANは、GAN(Generative Adversarial Network)と社会力モデル(Social Force Model, SFM)を使用して、シーン内の衝突を減らす様々な可塑性人軌道を生成する。 提案手法は,現在の最先端モデルよりも UCY や BIWI データセットの方が精度が高く,他の手法と比較して衝突を低減できることを示す。
  論文  参考訳（メタデータ） (2023-11-17T15:32:21Z)
• Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
  本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。 具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。 判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
  論文  参考訳（メタデータ） (2023-01-16T09:54:02Z)
• Under the Hood of Transformer Networks for Trajectory Forecasting [11.001055546731623]
  Transformer Networksは、トラジェクティブ予測のためのデファクトステート・オブ・ザ・アートとして、自らを確立している。 本稿では,個人動作予測のためのトランスフォーマーネットワーク(TF)と双方向トランスフォーマー(BERT)の詳細な研究を提案する。
  論文  参考訳（メタデータ） (2022-03-22T16:56:05Z)
• Convolutions for Spatial Interaction Modeling [9.408751013132624]
  自律走行車周辺におけるアクターの移動予測における空間相互作用モデリングの問題点について考察する。 我々は畳み込みを再検討し,低レイテンシで空間相互作用をモデル化する上で,グラフネットワークと同等のパフォーマンスを実証できることを示した。
  論文  参考訳（メタデータ） (2021-04-15T00:41:30Z)
• 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)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• 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)

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。