論文の概要: Learning Trajectory-Conditioned Relations to Predict Pedestrian Crossing Behavior

• arxiv url: http://arxiv.org/abs/2301.05796v1
• Date: Sat, 14 Jan 2023 00:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 18:52:22.930968
• Title: Learning Trajectory-Conditioned Relations to Predict Pedestrian Crossing Behavior
• Title（参考訳）: 歩行者横断行動予測のための軌道条件付き関係の学習
• Authors: Chen Zhou, Ghassan AlRegib, Armin Parchami, Kunjan Singh
• Abstract要約: 本研究では,歩行者の歩行者軌道とシーンフレームの依存性を組み込む枠組みを開発する。 筆者らはまず,歩行者と周囲の地域的共同情報を時間とともに特徴マップベクトルに符号化する。 大域的関係表現は、過去の軌跡条件で目的を推定するために、ペアワイズ特徴写像ベクトルから抽出される。
• 参考スコア（独自算出の注目度）: 14.785194522585224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In smart transportation, intelligent systems avoid potential collisions by predicting the intent of traffic agents, especially pedestrians. Pedestrian intent, defined as future action, e.g., start crossing, can be dependent on traffic surroundings. In this paper, we develop a framework to incorporate such dependency given observed pedestrian trajectory and scene frames. Our framework first encodes regional joint information between a pedestrian and surroundings over time into feature-map vectors. The global relation representations are then extracted from pairwise feature-map vectors to estimate intent with past trajectory condition. We evaluate our approach on two public datasets and compare against two state-of-the-art approaches. The experimental results demonstrate that our method helps to inform potential risks during crossing events with 0.04 improvement in F1-score on JAAD dataset and 0.01 improvement in recall on PIE dataset. Furthermore, we conduct ablation experiments to confirm the contribution of the relation extraction in our framework.
• Abstract（参考訳）: スマートトランスポートでは、インテリジェントシステムは交通機関、特に歩行者の意図を予測することによって、潜在的な衝突を避ける。 歩行者の意図は将来の行動として定義されており、例えば横断開始は交通環境に依存している。 本稿では,歩行者の歩行軌跡とシーンフレームの依存性を考慮した枠組みを考案する。 まず,歩行者と周辺環境の地域連携情報を時間とともに特徴マップベクトルにエンコードする。 大域関係表現はペアワイズ特徴マップベクトルから抽出され、過去の軌道条件で意図を推定する。 2つのパブリックデータセットに対するアプローチを評価し、最先端の2つのアプローチと比較する。 実験の結果, jaadデータセットにおけるf1-scoreの0.04改善とpieデータセットのリコールの0.01改善により,クロスイベント時の潜在的なリスクを知らせることができた。 さらに, この枠組みにおける関係抽出の寄与を確認するため, アブレーション実験を行った。

関連論文リスト

• Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction [3.522062800701924]
  我々は,過去の軌跡観測,局所的文脈特徴,グローバルな特徴を組み合わせることで,軌跡と意図の予測を学習するPTINetを紹介する。 提案手法の有効性は, JAAD と PIE を用いて評価した。 PTINetは、都市環境で歩行者とシームレスに対話できる自動システムの開発の道を開く。
  論文  参考訳（メタデータ） (2024-07-24T11:06:47Z)
• TrajPRed: Trajectory Prediction with Region-based Relation Learning [11.714283460714073]
  本研究では,交通現場における人的軌跡予測のための地域型関係学習パラダイムを提案する。 社会的相互作用は、グローバルな視点から、局所的な関節情報の時間的変化を関連づけることでモデル化される。 予測枠組みにおいて,マルチゴール推定と地域関係学習を統合し,2つの刺激,社会的相互作用,目標をモデル化する。
  論文  参考訳（メタデータ） (2024-04-10T12:31:43Z)
• Polar Collision Grids: Effective Interaction Modelling for Pedestrian Trajectory Prediction in Shared Space Using Collision Checks [3.809702129519642]
  軌道予測は、自動運転車の安全な航法にとって重要な能力である。 歩行者と歩行者の相互作用をモデル化することは、歩行者の軌道予測モデルの精度を高めることができる。
  論文  参考訳（メタデータ） (2023-08-13T00:20:22Z)
• Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction [27.614778027454417]
  本稿では,車線情報を用いてエージェント間の将来の関係を予測する手法を提案する。 エージェントの粗い将来の動きを得るため,まず車線レベルのウェイポイント占有確率を予測した。 次に,各エージェントペアに対して隣接車線を通過させる時間的確率を利用して,隣接車線を通過するエージェントが高度に相互作用すると仮定する。
  論文  参考訳（メタデータ） (2023-05-24T04:33:28Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。