論文の概要: A Neuro-Symbolic Approach for Enhanced Human Motion Prediction
- arxiv url: http://arxiv.org/abs/2304.11740v1
- Date: Sun, 23 Apr 2023 20:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 16:35:27.222448
- Title: A Neuro-Symbolic Approach for Enhanced Human Motion Prediction
- Title(参考訳): ニューロシンボリックアプローチによる人間の運動予測の強化
- Authors: Sariah Mghames, Luca Castri, Marc Hanheide, Nicola Bellotto
- Abstract要約: 人間の動作予測のためのニューロシンボリックアプローチ(NeuroSyM)を提案する。
NeuroSyMは、質的軌道計算(QTC)と呼ばれる空間表現に直感的手法を活用することにより、近隣の相互作用を異なる重み付けする
実験の結果,NeuroSyMアプローチは,ほとんどの場合,予測精度においてベースラインアーキテクチャよりも優れていた。
- 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: Reasoning on the context of human beings is crucial for many real-world
applications especially for those deploying autonomous systems (e.g. robots).
In this paper, we present a new approach for context reasoning to further
advance the field of human motion prediction. We therefore propose a
neuro-symbolic approach for human motion prediction (NeuroSyM), which weights
differently the interactions in the neighbourhood by leveraging an intuitive
technique for spatial representation called Qualitative Trajectory Calculus
(QTC). The proposed approach is experimentally tested on medium and long term
time horizons using two architectures from the state of art, one of which is a
baseline for human motion prediction and the other is a baseline for generic
multivariate time-series prediction. Six datasets of challenging crowded
scenarios, collected from both fixed and mobile cameras, were used for testing.
Experimental results show that the NeuroSyM approach outperforms in most cases
the baseline architectures in terms of prediction accuracy.
- Abstract(参考訳): 人間のコンテキストに基づく推論は、特に自律システム(例えばロボット)をデプロイする人々にとって、多くの現実世界のアプリケーションにとって不可欠である。
本稿では,人間の動き予測の分野をさらに前進させるための文脈推論の新しいアプローチを提案する。
そこで我々は,Quilitative Trajectory Calculus (QTC) と呼ばれる空間的表現のための直感的手法を利用して,近隣の相互作用の重み付けを行う,ヒトの動作予測のためのニューロシンボリックアプローチを提案する。
提案手法は,人間の運動予測のベースラインと汎用的多変量時系列予測のベースラインであるstate of artの2つのアーキテクチャを用いて,中長期の地平線上で実験的に検証された。
固定カメラとモバイルカメラの両方から収集された、複雑なシナリオの6つのデータセットがテストに使用された。
実験の結果,NeuroSyMアプローチは,ほとんどの場合,予測精度においてベースラインアーキテクチャよりも優れていた。
関連論文リスト
- Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳(メタデータ) (2023-12-26T18:56:49Z) - Qualitative Prediction of Multi-Agent Spatial Interactions [5.742409080817885]
我々は,密集シーンにおけるマルチエージェントインタラクションをモデル化し,予測するための3つの新しいアプローチを提示し,ベンチマークする。
提案手法は、個々の相互作用を予測する静的および動的コンテキストを考慮したものである。
彼らはインプット・アンド・タイムアテンション・メカニズムを利用し、中・長期の地平線でテストされる。
論文 参考訳(メタデータ) (2023-06-30T18:08:25Z) - Neural Foundations of Mental Simulation: Future Prediction of Latent
Representations on Dynamic Scenes [3.2744507958793143]
我々は、目標駆動型モデリングアプローチと高密度神経生理学的データと人間の行動的読み出しを組み合わせることで、この問題を阻害する。
具体的には,豊かで倫理的に関連のある環境の将来の状態を予測するために,知覚認知ネットワークのいくつかのクラスを構築し,評価する。
これらのモデルクラス間での強い差別化は、さまざまな環境内と環境内の両方で、神経的および行動的データを予測できる能力である。
論文 参考訳(メタデータ) (2023-05-19T15:56:06Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-30T10:45:22Z) - Learning Human Motion Prediction via Stochastic Differential Equations [19.30774202476477]
本稿では,微分方程式と経路積分に基づく動き予測問題をモデル化する新しい手法を提案する。
平均して12.48%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-12-21T11:55:13Z) - Dyadic Human Motion Prediction [119.3376964777803]
本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。
具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。
これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
論文 参考訳(メタデータ) (2021-12-01T10:30:40Z) - 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) - Long Term Motion Prediction Using Keyposes [122.22758311506588]
長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。
このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。
このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
論文 参考訳(メタデータ) (2020-12-08T20:45:51Z) - Motion Prediction Using Temporal Inception Module [96.76721173517895]
人間の動作を符号化するTIM(Temporal Inception Module)を提案する。
本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。
標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
論文 参考訳(メタデータ) (2020-10-06T20:26:01Z)
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。