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: 処理完了
- 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
- Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - 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) - Robust uncertainty estimates with out-of-distribution pseudo-inputs
training [0.0]
我々は、信頼性のあるデータを与えられていない不確実性予測器を明示的に訓練することを提案する。
データ無しでは訓練できないので、入力空間の情報的低密度領域において擬似入力を生成するメカニズムを提供する。
総合的な評価により、様々なタスクにおける最先端性能を維持しながら、不確実性の頑健かつ解釈可能な予測が得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T17:15:07Z) - 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) - 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) - Causally Invariant Predictor with Shift-Robustness [72.1844679700197]
本稿では,領域間の分散シフトに頑健な因果予測器を提案する。
経験的学習のために,データ再生に基づく直感的で柔軟な推定法を提案する。
合成データと実データの両方の実験結果から,予測器の有効性が示された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - 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) - Temporally-Continuous Probabilistic Prediction using Polynomial
Trajectory Parameterization [12.896275507449936]
アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。
このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。
本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
論文 参考訳（メタデータ） (2020-11-01T01:51:44Z) - 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。