論文の概要: Disentangled Neural Relational Inference for Interpretable Motion
Prediction
- arxiv url: http://arxiv.org/abs/2401.03599v1
- Date: Sun, 7 Jan 2024 22:49:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 18:01:20.412848
- Title: Disentangled Neural Relational Inference for Interpretable Motion
Prediction
- Title(参考訳): 解釈可能な動き予測のための遠方性ニューラルリレーショナル推論
- Authors: Victoria M. Dax, Jiachen Li, Enna Sachdeva, Nakul Agarwal, and Mykel
J. Kochenderfer
- Abstract要約: グラフベース表現と時系列モデルを統合した変分自動エンコーダフレームワークを開発した。
本モデルでは,対話を特徴付ける解釈可能なエッジ特徴を付加した動的相互作用グラフを推論する。
シミュレーションと実世界の両方のデータセットに関する広範な実験を通じて、我々のアプローチを検証する。
- 参考スコア(独自算出の注目度): 38.40799770648501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective interaction modeling and behavior prediction of dynamic agents play
a significant role in interactive motion planning for autonomous robots.
Although existing methods have improved prediction accuracy, few research
efforts have been devoted to enhancing prediction model interpretability and
out-of-distribution (OOD) generalizability. This work addresses these two
challenging aspects by designing a variational auto-encoder framework that
integrates graph-based representations and time-sequence models to efficiently
capture spatio-temporal relations between interactive agents and predict their
dynamics. Our model infers dynamic interaction graphs in a latent space
augmented with interpretable edge features that characterize the interactions.
Moreover, we aim to enhance model interpretability and performance in OOD
scenarios by disentangling the latent space of edge features, thereby
strengthening model versatility and robustness. We validate our approach
through extensive experiments on both simulated and real-world datasets. The
results show superior performance compared to existing methods in modeling
spatio-temporal relations, motion prediction, and identifying time-invariant
latent features.
- Abstract(参考訳): 動的エージェントの効果的な相互作用モデリングと行動予測は自律ロボットのインタラクティブな動作計画において重要な役割を果たす。
既存の手法では予測精度は向上しているが、予測モデルの解釈可能性と分散性(ood)の一般化性を高める研究は少ない。
本研究は,対話エージェント間の時空間関係を効率的に捉え,そのダイナミクスを予測するために,グラフに基づく表現と時間系列モデルを統合する変分オートエンコーダフレームワークを設計することで,これら2つの課題を解決する。
我々のモデルは、相互作用を特徴づける解釈可能なエッジ特徴を付加した潜在空間における動的相互作用グラフを推定する。
さらに,エッジ特徴の潜在空間を曖昧にすることで,OODシナリオにおけるモデルの解釈可能性や性能を向上させることを目的としている。
シミュレーションデータセットと実世界のデータセットの両方で広範な実験を行い、このアプローチを検証する。
その結果,時空間関係,動き予測,時間不変潜在特徴の同定において,既存の手法と比較して優れた性能を示した。
関連論文リスト
- Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。
MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。
時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文 参考訳(メタデータ) (2024-04-25T12:47:47Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳(メタデータ) (2024-01-22T18:58:22Z) - DIDER: Discovering Interpretable Dynamically Evolving Relations [14.69985920418015]
本稿では,内在的解釈可能性を備えた汎用的なエンドツーエンドインタラクションモデリングフレームワークであるDIDER,Discovering Interpretable Dynamically Evolving Relationsを紹介する。
合成と実世界の両方のデータセット上でDIDERを評価する。
論文 参考訳(メタデータ) (2022-08-22T20:55:56Z) - Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。
我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
論文 参考訳(メタデータ) (2022-05-24T08:36:25Z) - VIRT: Improving Representation-based Models for Text Matching through
Virtual Interaction [50.986371459817256]
本稿では,VIRT と呼ばれる新しいtextitVirtual InteRacTion 機構を提案する。
VIRTは、表現ベースのエンコーダに、対話ベースのモデルのように振舞いを模倣する仮想インタラクションを実行するよう要求する。
論文 参考訳(メタデータ) (2021-12-08T09:49:28Z) - RAIN: Reinforced Hybrid Attention Inference Network for Motion
Forecasting [34.54878390622877]
本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。
このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。
我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
論文 参考訳(メタデータ) (2021-08-03T06:30:30Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳(メタデータ) (2021-07-10T03:49:41Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Convolutions for Spatial Interaction Modeling [9.408751013132624]
自律走行車周辺におけるアクターの移動予測における空間相互作用モデリングの問題点について考察する。
我々は畳み込みを再検討し,低レイテンシで空間相互作用をモデル化する上で,グラフネットワークと同等のパフォーマンスを実証できることを示した。
論文 参考訳(メタデータ) (2021-04-15T00:41:30Z) - EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational
Reasoning [41.42230144157259]
本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。
将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。
トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
論文 参考訳(メタデータ) (2020-03-31T02:49:23Z)
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。