論文の概要: A Game-Theoretic Framework for Joint Forecasting and Planning

• arxiv url: http://arxiv.org/abs/2308.06137v2
• Date: Fri, 20 Oct 2023 03:40:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 03:13:23.072099
• Title: A Game-Theoretic Framework for Joint Forecasting and Planning
• Title（参考訳）: 共同予測と計画のためのゲーム理論フレームワーク
• Authors: Kushal Kedia, Prithwish Dan, Sanjiban Choudhury
• Abstract要約: 人間の存在下で安全なロボットの動きを計画するには、将来の人間の動きの確実な予測が必要である。 本稿では,共同計画と予測のための新たなゲーム理論フレームワークを提案する。 提案アルゴリズムは,歩行者行動の現実的なデータセットと群集ナビゲーションシミュレーターにおいて,より安全な計画を立てる。
• 参考スコア（独自算出の注目度）: 9.299721998201543
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Planning safe robot motions in the presence of humans requires reliable forecasts of future human motion. However, simply predicting the most likely motion from prior interactions does not guarantee safety. Such forecasts fail to model the long tail of possible events, which are rarely observed in limited datasets. On the other hand, planning for worst-case motions leads to overtly conservative behavior and a "frozen robot". Instead, we aim to learn forecasts that predict counterfactuals that humans guard against. We propose a novel game-theoretic framework for joint planning and forecasting with the payoff being the performance of the planner against the demonstrator, and present practical algorithms to train models in an end-to-end fashion. We demonstrate that our proposed algorithm results in safer plans in a crowd navigation simulator and real-world datasets of pedestrian motion. We release our code at https://github.com/portal-cornell/Game-Theoretic-Forecasting-Planning.
• Abstract（参考訳）: 人間の存在下で安全なロボットの動きを計画するには、将来の人間の動きの信頼できる予測が必要である。 しかし、従来の相互作用から最も可能性の高い動きを予測するだけでは安全性は保証されない。 このような予測は、可能なイベントの長い尾をモデル化することができない。 一方、最悪の動きを計画することは、過度に保守的な行動と「凍ったロボット」につながる。 代わりに、人間が守っている反事実を予測する予測を学ぶことを目指している。 本稿では,実証者に対するプランナーのパフォーマンスを相殺しながら,共同計画と予測のための新たなゲーム理論フレームワークを提案し,エンド・ツー・エンド方式でモデルを訓練するための実践的アルゴリズムを提案する。 提案アルゴリズムは,歩行者行動の現実的なデータセットと群集ナビゲーションシミュレーターにおいて,より安全な計画をもたらすことを示す。 コードをhttps://github.com/portal-cornell/Game-Theoretic-Forecasting-Planningでリリースしています。

関連論文リスト

• ManiCast: Collaborative Manipulation with Cost-Aware Human Forecasting [8.274511768083665]
  コストを意識した人的予測を学習し、それらをモデル予測制御プランナに供給する新しいフレームワークであるManiCastを提示する。 我々のフレームワークは、人間と7-DoFロボットアーム間の流動的でリアルタイムな対話を可能にする。
  論文  参考訳（メタデータ） (2023-10-20T03:34:31Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Robust Forecasting for Robotic Control: A Game-Theoretic Approach [12.345619675058416]
  現在の手法は、未来を正確に予測するために歴史的時系列に大きく依存している。 ロボット制御のためのロバストな予測を生成するための新しいフレームワークを提案する。 本研究では,勾配に基づく最適化手法を用いて局所的なナッシュ均衡を解くことができることを示す。
  論文  参考訳（メタデータ） (2022-09-22T06:10:35Z)
• Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
  我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。 攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。 我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:59:09Z)
• 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)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• Anticipatory Navigation in Crowds by Probabilistic Prediction of Pedestrian Future Movements [33.37913533544612]
  プロセス予測ナビゲーション(Process Precipatory Navigation, SPAN)は、非ホロノミックロボットが群衆のいる環境で移動できるようにするフレームワークである。 SPANは、歩行者の将来の動きをモデル化する継続的プロセスを予測する。 密集したシミュレーション環境でのSPANの能力を実世界の歩行者データセットで示す。
  論文  参考訳（メタデータ） (2020-11-12T07:18:20Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。