論文の概要: F-RDW: Redirected Walking with Forecasting Future Position
- arxiv url: http://arxiv.org/abs/2304.03497v1
- Date: Fri, 7 Apr 2023 06:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 12:42:08.877112
- Title: F-RDW: Redirected Walking with Forecasting Future Position
- Title(参考訳): F-RDW:予測将来の位置を考慮したリダイレクトウォーキング
- Authors: Sang-Bin Jeon, Jaeho Jung, Jinhyung Park, and In-Kwon Lee
- Abstract要約: 本研究では,(1)仮想空間におけるユーザの将来情報を仮定せずに予測し,(2)既存のRDW手法を操作しながら,その情報を融合させるメカニズムF-RDWを提案する。
最初のステップのバックボーンはLSTMベースのモデルで、ユーザの空間的および視線追跡データを取り込み、仮想空間におけるユーザの将来の位置を予測する。
提案手法は,リセット数を大幅に削減し,リセット間の移動距離を増大させる。
- 参考スコア(独自算出の注目度): 2.257416403770908
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In order to serve better VR experiences to users, existing predictive methods
of Redirected Walking (RDW) exploit future information to reduce the number of
reset occurrences. However, such methods often impose a precondition during
deployment, either in the virtual environment's layout or the user's walking
direction, which constrains its universal applications. To tackle this
challenge, we propose a novel mechanism F-RDW that is twofold: (1) forecasts
the future information of a user in the virtual space without any assumptions,
and (2) fuse this information while maneuvering existing RDW methods. The
backbone of the first step is an LSTM-based model that ingests the user's
spatial and eye-tracking data to predict the user's future position in the
virtual space, and the following step feeds those predicted values into
existing RDW methods (such as MPCRed, S2C, TAPF, and ARC) while respecting
their internal mechanism in applicable ways.The results of our simulation test
and user study demonstrate the significance of future information when using
RDW in small physical spaces or complex environments. We prove that the
proposed mechanism significantly reduces the number of resets and increases the
traveled distance between resets, hence augmenting the redirection performance
of all RDW methods explored in this work.
- Abstract(参考訳): ユーザーに対してより良いVR体験を提供するために、既存のリダイレクトウォーキング(RDW)の予測手法は将来の情報を利用してリセット回数を減らす。
しかしながら、そのような手法は、仮想環境のレイアウトやユーザーの歩行方向において、デプロイ中にプリコンディションを課すことが多い。
この課題に対処するために,(1)仮想空間におけるユーザの将来情報を仮定せずに予測し,(2)既存のRDWメソッドを操作しながらその情報を融合する,という2つのメカニズムF-RDWを提案する。
The backbone of the first step is an LSTM-based model that ingests the user's spatial and eye-tracking data to predict the user's future position in the virtual space, and the following step feeds those predicted values into existing RDW methods (such as MPCRed, S2C, TAPF, and ARC) while respecting their internal mechanism in applicable ways.The results of our simulation test and user study demonstrate the significance of future information when using RDW in small physical spaces or complex environments.
提案手法は,リセット数を大幅に削減し,リセット間の移動距離を増大させるので,本研究で検討したRDW手法のリダイレクト性能を向上する。
関連論文リスト
- Performative Reinforcement Learning in Gradually Shifting Environments [14.509462688246233]
本稿では,現在の環境がデプロイされたポリシと,それ以前のダイナミックスに依存するフレームワークを提案する。
そこで我々は,2つのアルゴリズムを性能予測文から設定に適応させ,Mixed Delayed Retrainated Retrainingと呼ばれる新しいアルゴリズムを提案する。
シミュレーションベースのテストベッドを用いて実験を行った結果,MDRRは従来の手法よりもはるかに高速に収束することがわかった。
論文 参考訳(メタデータ) (2024-02-15T10:00:13Z) - Online Multi-Task Learning with Recursive Least Squares and Recursive Kernel Methods [50.67996219968513]
本稿では,オンラインマルチタスク学習(MTL)回帰問題に対する2つの新しいアプローチを紹介する。
入力空間の次元の2次パースタンスコストで精度よく近似的な再帰を実現する。
我々は,実世界の風速予測ケーススタディにおいて,オンラインMTL法と他の競技者との比較を行った。
論文 参考訳(メタデータ) (2023-08-03T01:41:34Z) - Bounding data reconstruction attacks with the hypothesis testing
interpretation of differential privacy [78.32404878825845]
レコンストラクションロバストネス(ReRo)は、機械学習モデルに対するデータ再構成攻撃の成功の上限として最近提案されている。
これまでの研究では、差分プライバシー(DP)機構がReRoを提供することを示したが、これまではモンテカルロによるReRo境界の厳密な推定しか示されていない。
論文 参考訳(メタデータ) (2023-07-08T08:02:47Z) - Predictive Context-Awareness for Full-Immersive Multiuser Virtual
Reality with Redirected Walking [5.393569497095572]
将来のVRシステムはミリ波(mmWave)周波数で動作する無線ネットワークインフラをサポートする必要がある。
本稿では,送信機と受信機側ビームフォーミングとビームステアリングを最適化するために,予測文脈認識の利用を提案する。
長短短期記憶(LSTM)ネットワークは横方向の動きを予測する上で有望な精度を特徴とすることを示す。
論文 参考訳(メタデータ) (2023-03-31T09:09:17Z) - Unseen Object Instance Segmentation with Fully Test-time RGB-D
Embeddings Adaptation [14.258456366985444]
最近では、大規模な合成データのRGB-D機能を活用し、実世界のシナリオにモデルを適用するのが一般的である。
本稿では,Sim2Realドメイン間の適応プロセスを再強調する。
本稿では,BatchNorm層のパラメータに基づいて,完全テスト時間RGB-D埋め込み適応(FTEA)を行うフレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-21T02:35:20Z) - DANNTe: a case study of a turbo-machinery sensor virtualization under
domain shift [0.0]
ドメイン適応(DA)時系列回帰タスク(DANNTe)に取り組むための逆学習法を提案する。
このレグレッションは、ガスタービンに搭載されたセンサーの仮想コピーを構築することを目的としており、特定の状況で欠落する可能性がある物理的なセンサーの代わりに使用される。
ソースドメインでのみトレーニングされたベースラインモデルと比較して,回帰性能が大幅に向上したことを報告した。
論文 参考訳(メタデータ) (2022-01-11T09:24:33Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳(メタデータ) (2021-02-05T04:26:05Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Data-Space Inversion Using a Recurrent Autoencoder for Time-Series
Parameterization [0.0]
データ空間インバージョン(DSI)におけるデータパラメータ化の新しい手法を開発し,評価する。
新たなパラメータ化では、次元削減のためにリカレントオートエンコーダ(RAE)と、フローレート時系列を表現するために長期メモリ(LSTM)ネットワークを使用する。
RAEに基づくパラメータ化はDSIにおいて明らかに有用であり、他の地下流れ問題にも適用できる可能性がある。
論文 参考訳(メタデータ) (2020-04-30T19:17:58Z)
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。