論文の概要: Forecasting Human Trajectory from Scene History

• arxiv url: http://arxiv.org/abs/2210.08732v1
• Date: Mon, 17 Oct 2022 03:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 19:28:19.342206
• Title: Forecasting Human Trajectory from Scene History
• Title（参考訳）: 歴史から見る人間の軌道予測
• Authors: Mancheng Meng, Ziyan Wu, Terrence Chen, Xiran Cai, Xiang Sean Zhou, Fan Yang, Dinggang Shen
• Abstract要約: 我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
• 参考スコア（独自算出の注目度）: 51.72069374835107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the future trajectory of a person remains a challenging problem, due to randomness and subjectivity of human movement. However, the moving patterns of human in a constrained scenario typically conform to a limited number of regularities to a certain extent, because of the scenario restrictions and person-person or person-object interactivity. Thus, an individual person in this scenario should follow one of the regularities as well. In other words, a person's subsequent trajectory has likely been traveled by others. Based on this hypothesis, we propose to forecast a person's future trajectory by learning from the implicit scene regularities. We call the regularities, inherently derived from the past dynamics of the people and the environment in the scene, scene history. We categorize scene history information into two types: historical group trajectory and individual-surroundings interaction. To exploit these two types of information for trajectory prediction, we propose a novel framework Scene History Excavating Network (SHENet), where the scene history is leveraged in a simple yet effective approach. In particular, we design two components: the group trajectory bank module to extract representative group trajectories as the candidate for future path, and the cross-modal interaction module to model the interaction between individual past trajectory and its surroundings for trajectory refinement. In addition, to mitigate the uncertainty in ground-truth trajectory, caused by the aforementioned randomness and subjectivity of human movement, we propose to include smoothness into the training process and evaluation metrics. We conduct extensive evaluations to validate the efficacy of our proposed framework on ETH, UCY, as well as a new, challenging benchmark dataset PAV, demonstrating superior performance compared to state-of-the-art methods.
• Abstract（参考訳）: 人の将来の軌跡を予測することは、人間の動きのランダム性と主観性のため、依然として困難な問題である。 しかしながら、制約付きシナリオにおける人間の移動パターンは、シナリオ制限と人/人/人/対象の対話性のため、通常一定の数の正規性に合致する。 したがって、このシナリオにおける個々の人物は、その規則の1つに従うべきである。 言い換えれば、その人のその後の軌道は、おそらく他の人によって移動された。 この仮説に基づき,暗黙の場面の正則性から学習し,将来の軌跡を予測することを提案する。 本来は、人々の過去のダイナミクスと、シーンの環境、シーンの歴史から派生した、規則性(Regularities)と呼んでいる。 シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 これら2種類の情報を軌道予測に活用するために,シーン履歴を簡易かつ効果的な手法で活用する,新たな枠組みであるシーン履歴抽出ネットワーク(shenet)を提案する。 特に, 将来の経路候補として代表群軌道を抽出する群軌道バンクモジュールと, 個々の過去の軌道とその周囲との相互作用をモデル化して軌道修正を行うクロスモーダル相互作用モジュールである。 また,人間の運動のランダム性や主観性から生じる地道軌道の不確実性を軽減するため,トレーニングプロセスや評価指標に滑らかさを含めることを提案する。 提案手法の有効性を検証するために,提案フレームワークであるeth, ucy,および新たな挑戦的ベンチマークデータセットpavの有効性を検証するために,広範な評価を行い,最先端手法と比較して優れた性能を示す。

関連論文リスト

• TrACT: A Training Dynamics Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [7.3292387742640415]
  本稿では,よりリッチなトレーニングダイナミックス情報を,原型的コントラスト学習フレームワークに組み込むことを提案する。 我々は,2つの大規模自然主義データセットを用いたアプローチの実証評価を行った。
  論文  参考訳（メタデータ） (2024-04-18T23:12:46Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
  本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。 軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。 提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
  論文  参考訳（メタデータ） (2023-12-22T01:48:09Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• 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)
• Long-term Human Motion Prediction with Scene Context [60.096118270451974]
  人間の動きを予測するための新しい3段階フレームワークを提案する。 提案手法はまず,まず複数の人間の動作目標を抽出し,各目標に向けて3次元人間の動作経路を計画し,最後に各経路に続く3次元人間のポーズシーケンスを予測する。
  論文  参考訳（メタデータ） (2020-07-07T17:59:53Z)
• Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans [6.8024015458909615]
  軌跡予測はシーン構造の大きな変化と将来の軌跡のマルチモーダル分布のために難しい問題である。 最大エントロピー逆強化学習(MaxEnt IRL)を用いて学習したグリッドベースの政策から得られた計画の軌道予測条件を提案する。 我々は,MaxEntポリシからサンプリングした状態列に条件付き連続的な値付き将来の軌道を生成する,注目に基づく軌道生成器を提案する。
  論文  参考訳（メタデータ） (2020-01-03T06:12:26Z)

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。