論文の概要: Human trajectory prediction using LSTM with Attention mechanism
- arxiv url: http://arxiv.org/abs/2309.00331v1
- Date: Fri, 1 Sep 2023 08:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 14:00:57.702449
- Title: Human trajectory prediction using LSTM with Attention mechanism
- Title（参考訳）: LSTMと注意機構を用いた人間の軌道予測
- Authors: Amin Manafi Soltan Ahmadi, Samaneh Hoseini Semnani
- Abstract要約: 我々は注意スコアを用いて、モデルが予測を行う際にどの部分に注目すべきかを判断する。
提案アルゴリズムは,混み合った空間における歩行者の将来の軌跡を予測する上で,ソーシャルLSTMよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a human trajectory prediction model that combines a
Long Short-Term Memory (LSTM) network with an attention mechanism. To do that,
we use attention scores to determine which parts of the input data the model
should focus on when making predictions. Attention scores are calculated for
each input feature, with a higher score indicating the greater significance of
that feature in predicting the output. Initially, these scores are determined
for the target human position, velocity, and their neighboring individual's
positions and velocities. By using attention scores, our model can prioritize
the most relevant information in the input data and make more accurate
predictions. We extract attention scores from our attention mechanism and
integrate them into the trajectory prediction module to predict human future
trajectories. To achieve this, we introduce a new neural layer that processes
attention scores after extracting them and concatenates them with positional
information. We evaluate our approach on the publicly available ETH and UCY
datasets and measure its performance using the final displacement error (FDE)
and average displacement error (ADE) metrics. We show that our modified
algorithm performs better than the Social LSTM in predicting the future
trajectory of pedestrians in crowded spaces. Specifically, our model achieves
an improvement of 6.2% in ADE and 6.3% in FDE compared to the Social LSTM
results in the literature.
- Abstract（参考訳）: 本稿では,Long Short-Term Memory(LSTM)ネットワークとアテンション機構を組み合わせた人間の軌道予測モデルを提案する。
そのため、モデルが予測を行う際に、どの入力データに焦点を当てるべきかを決定するために注意スコアを使用します。
各入力特徴に対して注意点を算出し、出力予測におけるその特徴のより大きな重要性を示す高得点を得る。
最初は、これらのスコアは、対象の人間の位置、速度、および隣人の位置と速度について決定される。
アテンションスコアを使用することで,入力データの最も関連性の高い情報を優先順位付けし,より正確な予測を行うことができる。
我々は、注意機構から注意点を抽出し、それを軌道予測モジュールに統合し、将来の軌道を予測する。
これを実現するために,注意スコアを抽出後処理し,位置情報と結合する新しい神経層を導入する。
我々は、ETHおよびUCYデータセットに対する我々のアプローチを評価し、最終変位誤差(FDE)と平均変位誤差(ADE)を用いてその性能を測定する。
提案アルゴリズムは,混み合った空間における歩行者の将来の軌道予測において,ソーシャルLSTMよりも優れていることを示す。
具体的には、文献における社会LSTM結果と比較してADEが6.2%、FDEが6.3%改善した。
関連論文リスト
- JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Context-aware multi-head self-attentional neural network model for next
location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。
提案モデルが他の最先端予測モデルより優れていることを示す。
我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文 参考訳（メタデータ） (2022-12-04T23:40:14Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for
Music Popularity Prediction [19.003312140124706]
研究者は、このデータを分析して人気曲の傾向を正確に予測できる。
従来のトレンド予測モデルは、長いトレンドよりも短いトレンドを予測できる。
改良型LSTM圧延予測アルゴリズム(LSTM-RPA)を提案する。
論文 参考訳（メタデータ） (2021-10-27T08:59:09Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳（メタデータ） (2020-12-16T18:47:37Z) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳（メタデータ） (2020-11-23T03:13:26Z) - Data-Efficient Reinforcement Learning with Self-Predictive
Representations [21.223069189953037]
我々はエージェントに、未来への複数のステップを予測させるように訓練する。
この将来の予測目標は, 試料効率の高い深部RLの先行手法よりも優れている。
今後の予測とデータ拡張を組み合わせた完全な自己監督目標が,アタリにおける人間正規化スコアの0.415を達成している。
論文 参考訳（メタデータ） (2020-07-12T07:38:15Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。