論文の概要: Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional
Diffusion
- arxiv url: http://arxiv.org/abs/2303.08367v1
- Date: Wed, 15 Mar 2023 04:58:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-03-16 14:46:36.999523
- Title: Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional
Diffusion
- Title（参考訳）: 不確実性を考慮した分布拡散による歩行者軌跡予測
- Authors: Yao Liu, Zesheng Ye, Binghao Li, Lina Yao
- Abstract要約: 本研究では,不確実性を考慮した歩行者軌道予測手法を提案する。
従来の研究とは異なり、予測性は明示的な分布に変換する。
我々のフレームワークは、異なるニューラルネットワークアーキテクチャとの互換性について、モデルに依存しない。
- 参考スコア（独自算出の注目度）: 37.160767002270525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tremendous efforts have been devoted to pedestrian trajectory prediction
using generative modeling for accommodating uncertainty and multi-modality in
human behaviors. An individual's inherent uncertainty, e.g., change of
destination, can be masked by complex patterns resulting from the movements of
interacting pedestrians. However, latent variable-based generative models often
entangle such uncertainty with complexity, leading to either limited
expressivity or overconfident predictions. In this work, we propose to
separately model these two factors by implicitly deriving a flexible
distribution that describes complex pedestrians' movements, whereas
incorporating predictive uncertainty of individuals with explicit density
functions over their future locations. More specifically, we present an
uncertainty-aware pedestrian trajectory prediction framework, parameterizing
sufficient statistics for the distributions of locations that jointly comprise
the multi-modal trajectories. We further estimate these parameters of interest
by approximating a denoising process that progressively recovers pedestrian
movements from noise. Unlike prior studies, we translate the predictive
stochasticity to the explicit distribution, making it readily used to generate
plausible future trajectories indicating individuals' self-uncertainty.
Moreover, our framework is model-agnostic for compatibility with different
neural network architectures. We empirically show the performance advantages of
our framework on widely-used benchmarks, outperforming state-of-the-art in most
scenes even with lighter backbones.
- Abstract（参考訳）: 人的行動の不確実性と多様性を考慮した生成モデルを用いた歩行者軌跡予測に多大な努力が注がれている。
個人固有の不確実性、例えば目的地の変更は、相互作用する歩行者の動きから生じる複雑なパターンによって隠される。
しかし、潜伏変数ベースの生成モデルは、しばしばそのような不確実性を複雑さと絡み合い、限られた表現性または過信な予測をもたらす。
本研究では,複雑な歩行者の動きを記述した柔軟な分布を暗黙的に導出することにより,これらの2つの要因を個別にモデル化することを提案する。
より具体的には,マルチモーダルトラジェクタを共同で構成する位置分布の十分な統計をパラメータ化する不確実性を考慮した歩行者軌跡予測フレームワークを提案する。
さらに,騒音から歩行者の動きを徐々に復元する消音過程を近似して,これらのパラメータを推定する。
従来の研究とは異なり、予測確率性は明示的な分布に変換され、個人の自己不確実性を示す正確な将来の軌跡を生成するのに容易に用いられる。
さらに、我々のフレームワークは、異なるニューラルネットワークアーキテクチャとの互換性のためにモデルに依存しない。
広く使われているベンチマークにおいて、我々のフレームワークの性能上の利点を実証的に示す。
関連論文リスト
- Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction [10.832351645863536]
本稿では, 顕在的深層学習に基づく新しいマルチモーダル軌道予測手法を提案する。
提案手法は, 位置的, モード的確率的不確実性の両方をリアルタイムに推定する。
我々はArgoverse 1 と Argoverse 2 のデータセット上で,提案手法の広範な評価を行う。
論文 参考訳（メタデータ） (2025-03-07T09:46:21Z) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction
via Self-Supervision [2.365702128814616]
正確な車両軌道予測は、自動運転における未解決の問題である。
本稿では,複数の軌道セグメントを連結した中間層を提案する。
提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
論文 参考訳（メタデータ） (2023-06-06T02:46:28Z) - Diverse Probabilistic Trajectory Forecasting with Admissibility
Constraints [19.977040198878978]
本稿では,多様な軌跡の構造化予測手法を提案する。
これら2つの新しいコンポーネントをゲーティング操作と組み合わせて、予測が多様かつ乾燥可能な領域内にあることを保証します。
我々は、nuScenes駆動データセットについて、複合アプローチの妥当性を実証する。
論文 参考訳（メタデータ） (2023-02-07T13:36:27Z) - Human Joint Kinematics Diffusion-Refinement for Stochastic Motion
Prediction [22.354538952573158]
MotionDiffは、人間の関節のキネマティクスを加熱粒子として扱う拡散確率モデルである。
MotionDiffは、多種多様な可塑性運動を生成する空間時間変換器ベースの拡散ネットワークと、出力をさらに洗練するためのグラフ畳み込みネットワークの2つの部分で構成されている。
論文 参考訳（メタデータ） (2022-10-12T07:38:33Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and
Adaptive Sampling [27.194900145235007]
本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。
トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。
我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
論文 参考訳（メタデータ） (2021-10-05T20:20:10Z) - Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。
本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。
本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文 参考訳（メタデータ） (2021-07-29T17:42:12Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳（メタデータ） (2021-05-07T09:22:34Z) - Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。
我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
論文 参考訳（メタデータ） (2020-07-25T05:29:34Z)
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。