論文の概要: EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory
Forecasting
- arxiv url: http://arxiv.org/abs/2307.09306v1
- Date: Tue, 18 Jul 2023 14:52:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 14:26:32.748364
- Title: EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory
Forecasting
- Title（参考訳）: eigentrajectory:マルチモーダル軌道予測のための低ランクディスクリプタ
- Authors: Inhwan Bae, Jean Oh, Hae-Gon Jeon
- Abstract要約: EigenTrajectory (mathbbET$) は、新しいトラジェクトリ記述子を用いてコンパクトな空間を形成するトラジェクトリ予測手法である。
EigenTrajectoryは、既存の軌道予測モデルの予測精度と信頼性の両方を大幅に向上させることができる。
- 参考スコア（独自算出の注目度）: 26.38308951284839
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Capturing high-dimensional social interactions and feasible futures is
essential for predicting trajectories. To address this complex nature, several
attempts have been devoted to reducing the dimensionality of the output
variables via parametric curve fitting such as the B\'ezier curve and B-spline
function. However, these functions, which originate in computer graphics
fields, are not suitable to account for socially acceptable human dynamics. In
this paper, we present EigenTrajectory ($\mathbb{ET}$), a trajectory prediction
approach that uses a novel trajectory descriptor to form a compact space, known
here as $\mathbb{ET}$ space, in place of Euclidean space, for representing
pedestrian movements. We first reduce the complexity of the trajectory
descriptor via a low-rank approximation. We transform the pedestrians' history
paths into our $\mathbb{ET}$ space represented by spatio-temporal principle
components, and feed them into off-the-shelf trajectory forecasting models. The
inputs and outputs of the models as well as social interactions are all
gathered and aggregated in the corresponding $\mathbb{ET}$ space. Lastly, we
propose a trajectory anchor-based refinement method to cover all possible
futures in the proposed $\mathbb{ET}$ space. Extensive experiments demonstrate
that our EigenTrajectory predictor can significantly improve both the
prediction accuracy and reliability of existing trajectory forecasting models
on public benchmarks, indicating that the proposed descriptor is suited to
represent pedestrian behaviors. Code is publicly available at
https://github.com/inhwanbae/EigenTrajectory .
- Abstract（参考訳）: 高次元の社会的相互作用と実現可能な未来を捉えることは、軌道予測に不可欠である。
この複雑な性質に対処するために、B\'ezier曲線やB-スプライン関数のようなパラメトリック曲線のフィッティングによって出力変数の次元性を減少させる試みがいくつか行われている。
しかし、これらの機能はコンピュータグラフィックスの分野から生まれており、社会的に許容される人間の力学を考慮に入れない。
本稿では,新しい軌道記述子を用いて,歩行者運動を表すユークリッド空間の代わりに,コンパクト空間(ここでは$\mathbb{et}$ spaceと呼ばれる)を形成する軌道予測手法である固有トラジェクタ($\mathbb{et}$)を提案する。
まず, 軌道記述子の複雑性を低ランク近似により低減する。
歩行者の履歴パスを時空間-時間原理要素で表される$\mathbb{et}$空間に変換し、それらを既成の軌道予測モデルに与えます。
モデルと社会的相互作用の入力と出力はすべて、対応する$\mathbb{ET}$空間に集約される。
最後に,提案した$\mathbb{ET}$空間のすべての将来を網羅する軌道アンカーに基づく改良手法を提案する。
大規模実験により,提案手法が歩行者行動の表現に適していることを示すため,既存の軌道予測モデルの予測精度と信頼性を大幅に向上できることが実証された。
コードはhttps://github.com/inhwanbae/eigentrajectoryで公開されている。
関連論文リスト
- Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。
本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。
本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
論文 参考訳（メタデータ） (2024-10-31T19:42:42Z) - Spatial and social situation-aware transformer-based trajectory prediction of autonomous systems [2.498836880652668]
エージェントの振る舞いを所定の状況で予測するには、時間内に適切に反応する必要がある。
近年,深層学習に基づくモデルが動き予測の主流となっている。
より長い予測地平線の場合、予測軌道の地平線からの偏差は、空間的・社会的に非依存なモデルに比べて低い。
論文 参考訳（メタデータ） (2024-06-04T20:36:16Z) - Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳（メタデータ） (2024-02-19T15:48:55Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-21T07:29:24Z) - Graph-based Spatial Transformer with Memory Replay for Multi-future
Pedestrian Trajectory Prediction [13.466380808630188]
歴史的軌跡に基づく複数経路の予測モデルを提案する。
提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。
実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
論文 参考訳（メタデータ） (2022-06-12T10:25:12Z) - 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) - 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) - 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) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。