論文の概要: Uncovering the human motion pattern: Pattern Memory-based Diffusion Model for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2401.02916v2
• Date: Mon, 8 Jan 2024 07:42:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 11:30:56.566209
• Title: Uncovering the human motion pattern: Pattern Memory-based Diffusion Model for Trajectory Prediction
• Title（参考訳）: 運動パターンの解明--軌道予測のためのパターン記憶に基づく拡散モデル
• Authors: Yuxin Yang, Pengfei Zhu, Mengshi Qi, Huadong Ma
• Abstract要約: 動作パターン優先記憶ネットワーク(Motion Pattern Priors Memory Network)は、人間の行動に潜む動きパターンを明らかにするためのメモリベースの手法である。 メモリバンクから各予測に対して一致したパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入する。 提案手法の有効性を検証し,最先端の軌道予測精度を実現する。
• 参考スコア（独自算出の注目度）: 45.77348842004666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory forecasting is a critical challenge in fields such as robotics and autonomous driving. Due to the inherent uncertainty of human actions and intentions in real-world scenarios, various unexpected occurrences may arise. To uncover latent motion patterns in human behavior, we introduce a novel memory-based method, named Motion Pattern Priors Memory Network. Our method involves constructing a memory bank derived from clustered prior knowledge of motion patterns observed in the training set trajectories. We introduce an addressing mechanism to retrieve the matched pattern and the potential target distributions for each prediction from the memory bank, which enables the identification and retrieval of natural motion patterns exhibited by agents, subsequently using the target priors memory token to guide the diffusion model to generate predictions. Extensive experiments validate the effectiveness of our approach, achieving state-of-the-art trajectory prediction accuracy. The code will be made publicly available.
• Abstract（参考訳）: 人間の軌道予測はロボット工学や自動運転といった分野において重要な課題である。 現実のシナリオにおける人間の行動や意図に固有の不確実性があるため、様々な予期せぬ出来事が起こる可能性がある。 本稿では,人間の行動における潜在運動パターンを明らかにするために,新しいメモリベース手法であるモーションパターンプリエンスメモリネットワークを提案する。 本手法は,訓練セットの軌跡で観測された動きパターンの事前知識をクラスタ化したメモリバンクを構築することを含む。 本稿では,エージェントが提示する自然動作パターンの識別と検索を可能にするメモリバンクからの予測毎にマッチングされたパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入し,ターゲットプリエントメモリトークンを用いて拡散モデルをガイドし,予測を生成する。 広範な実験により,提案手法の有効性が検証され,最新の軌道予測精度が得られた。 コードは公開される予定だ。

関連論文リスト

• Motion Forecasting via Model-Based Risk Minimization [8.766024024417316]
  複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。 まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。 基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
  論文  参考訳（メタデータ） (2024-09-16T09:03:28Z)
• DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction [8.25651323214656]
  時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。 提案手法は,各種メトリクスの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-11T12:41:32Z)
• 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)
• Smooth-Trajectron++: Augmenting the Trajectron++ behaviour prediction model with smooth attention [0.0]
  本研究では,注目モジュールにスムーズな項を組み込んだトラジェクトリ予測モデルであるTrjectron++について検討する。 この注意機構は、注意切り替えの限界を示す認知科学の研究にインスパイアされた人間の注意を模倣する。 得られたSmooth-Trajectron++モデルの性能を評価し、様々なベンチマークで元のモデルと比較する。
  論文  参考訳（メタデータ） (2023-05-31T09:19:55Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• 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)
• Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。 提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)
• 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。