Fugu-MT 論文翻訳(概要): Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions

論文の概要: Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions

arxiv url: http://arxiv.org/abs/2210.16535v1
Date: Sat, 29 Oct 2022 08:56:48 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 18:28:40.774626
Title: Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions
Title（参考訳）: 人間の空間相互作用予測のための動的モデルの因果発見
Authors: Luca Castri, Sariah Mghames, Marc Hanheide, Nicola Bellotto
Abstract要約: 本稿では,人間とロボットの空間的相互作用をモデル化するための因果探索手法を提案する。最先端の因果探索アルゴリズムを初めて活用するために、新しい方法と実用的な解決策について議論する。
参考スコア（独自算出の注目度）: 5.742409080817885
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Exploiting robots for activities in human-shared environments, whether warehouses, shopping centres or hospitals, calls for such robots to understand the underlying physical interactions between nearby agents and objects. In particular, modelling cause-and-effect relations between the latter can help to predict unobserved human behaviours and anticipate the outcome of specific robot interventions. In this paper, we propose an application of causal discovery methods to model human-robot spatial interactions, trying to understand human behaviours from real-world sensor data in two possible scenarios: humans interacting with the environment, and humans interacting with obstacles. New methods and practical solutions are discussed to exploit, for the first time, a state-of-the-art causal discovery algorithm in some challenging human environments, with potential application in many service robotics scenarios. To demonstrate the utility of the causal models obtained from real-world datasets, we present a comparison between causal and non-causal prediction approaches. Our results show that the causal model correctly captures the underlying interactions of the considered scenarios and improves its prediction accuracy.
Abstract（参考訳）: 倉庫やショッピングセンター、病院など、人間共有環境での活動にロボットを活用することで、近くのエージェントとオブジェクトの物理的な相互作用を理解することができる。特に、後者間の因果関係のモデル化は、観察されていない人間の行動を予測し、特定のロボット介入の結果を予測するのに役立つ。本稿では,実世界のセンサデータから人間の行動を理解するために,人間とロボットの空間的相互作用をモデル化する因果発見手法の応用を提案する。新たな手法と実用的なソリューションが議論され、いくつかの困難な人間の環境で最先端の因果発見アルゴリズムを初めて活用し、多くのサービスロボティクスシナリオに応用される可能性がある。実世界のデータセットから得られた因果モデルの有用性を示すために,因果予測と非因果予測の比較を行った。その結果,因果モデルが考慮されたシナリオの基盤となる相互作用を正しく捉え,予測精度を向上できることがわかった。

関連論文リスト

Experimental Evaluation of ROS-Causal in Real-World Human-Robot Spatial Interaction Scenarios [3.8625803348911774]
ロボット空間相互作用における因果発見のためのROSベースのフレームワークであるROS-Causalの実験的検討を行った。データ収集中にロボットが因果モデルを直接抽出する方法を示す。シミュレーションから生成されたオンライン因果関係モデルは、実験結果と一致している。
論文参考訳（メタデータ） (2024-06-07T14:20:30Z)
ReGenNet: Towards Human Action-Reaction Synthesis [87.57721371471536]
我々は、人間と人間の相互作用の非対称、動的、同期、および詳細な性質を分析する。本研究では,人間の行動に条件付けされた人間の反応を生成するための,最初のマルチセットヒト行動反応ベンチマークを提案する。
論文参考訳（メタデータ） (2024-03-18T15:33:06Z)
Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。 ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
論文参考訳（メタデータ） (2024-02-07T11:37:14Z)
IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
論文参考訳（メタデータ） (2023-11-26T05:17:11Z)
HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
論文参考訳（メタデータ） (2023-08-20T04:12:50Z)
Learn to Predict How Humans Manipulate Large-sized Objects from Interactive Motions [82.90906153293585]
本稿では,動きデータと動的記述子を融合させるグラフニューラルネットワークHO-GCNを提案する。動的記述子を消費するネットワークは、最先端の予測結果が得られ、未確認オブジェクトへのネットワークの一般化に役立つことを示す。
論文参考訳（メタデータ） (2022-06-25T09:55:39Z)
Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2021-07-14T09:05:33Z)
Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions [32.57882479132015]
本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-12-02T08:43:36Z)
Multimodal Deep Generative Models for Trajectory Prediction: A Conditional Variational Autoencoder Approach [34.70843462687529]
本研究では,人間の行動予測に対する条件付き変分オートエンコーダアプローチに関する自己完結型チュートリアルを提供する。本チュートリアルの目的は,人間の行動予測における最先端の手法の分類をレビューし,構築することである。
論文参考訳（メタデータ） (2020-08-10T03:18:27Z)
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文参考訳（メタデータ） (2020-07-07T17:19:56Z)
Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。