論文の概要: Multi-Camera Asynchronous Ball Localization and Trajectory Prediction
with Factor Graphs and Human Poses
- arxiv url: http://arxiv.org/abs/2401.17185v1
- Date: Tue, 30 Jan 2024 17:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:08:11.332070
- Title: Multi-Camera Asynchronous Ball Localization and Trajectory Prediction
with Factor Graphs and Human Poses
- Title（参考訳）: 因子グラフと人間のポーズを用いたマルチカメラ非同期球位置推定と軌道予測
- Authors: Qingyu Xiao, Zulfiqar Zaidi and Matthew Gombolay
- Abstract要約: ボールの迅速かつ正確な位置決めと予測は、ボールスポーツにおけるアジャイルロボットの開発に不可欠である。
実時間および非同期3次元球体ローカライゼーションのための因子グラフとマルチカメラシステムを組み合わせた革新的なアプローチを提案する。
時間的畳み込みネットワーク(TCN)を用いて人間のポーズデータを統合する。
以上の結果から,訓練されたTCNは5.27HzのRMSEでスピン先行を予測できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid and precise localization and prediction of a ball are critical for
developing agile robots in ball sports, particularly in sports like tennis
characterized by high-speed ball movements and powerful spins. The Magnus
effect induced by spin adds complexity to trajectory prediction during flight
and bounce dynamics upon contact with the ground. In this study, we introduce
an innovative approach that combines a multi-camera system with factor graphs
for real-time and asynchronous 3D tennis ball localization. Additionally, we
estimate hidden states like velocity and spin for trajectory prediction.
Furthermore, to enhance spin inference early in the ball's flight, where
limited observations are available, we integrate human pose data using a
temporal convolutional network (TCN) to compute spin priors within the factor
graph. This refinement provides more accurate spin priors at the beginning of
the factor graph, leading to improved early-stage hidden state inference for
prediction. Our result shows the trained TCN can predict the spin priors with
RMSE of 5.27 Hz. Integrating TCN into the factor graph reduces the prediction
error of landing positions by over 63.6% compared to a baseline method that
utilized an adaptive extended Kalman filter.
- Abstract（参考訳）: ボールの迅速かつ正確な位置決めと予測は、ボールスポーツ、特に高速球の動きと強力なスピンを特徴とするテニスのようなスポーツにおいて、アジャイルロボットを開発するために重要である。
スピンによって引き起こされるマグヌス効果は、飛行中の軌道予測と地上との接触時のバウンスダイナミクスに複雑さをもたらす。
本研究では,実時間および非同期3次元球体ローカライゼーションのための因子グラフとマルチカメラシステムを組み合わせた革新的なアプローチを提案する。
さらに,軌道予測のための速度やスピンなどの隠れ状態も推定する。
さらに,観測が限られている球の飛行の早い段階でスピン推定を向上するため,時間的畳み込みネットワーク(TCN)を用いて人間のポーズデータを統合し,因子グラフ内のスピン事前を計算する。
この改良は、因子グラフの開始時により正確なスピン優先を与え、予測のための初期段階の隠れ状態推論を改善する。
以上の結果から,訓練されたTCNは5.27HzのRMSEでスピン先行を予測できることがわかった。
TCNを因子グラフに統合すると、適応拡張カルマンフィルタを用いたベースライン法と比較して着陸位置の予測誤差が63.6%以上減少する。
関連論文リスト
- Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳（メタデータ） (2024-03-31T17:18:57Z) - TrajectoryNAS: A Neural Architecture Search for Trajectory Prediction [0.0]
軌道予測は自律走行システムの重要な構成要素である。
本稿では,軌道予測にポイントクラウドデータを活用する先駆的手法であるTrajectoryNASを紹介する。
論文 参考訳（メタデータ） (2024-03-18T11:48:41Z) - Context-based Interpretable Spatio-Temporal Graph Convolutional Network
for Human Motion Forecasting [0.0]
本稿では,効率的な3次元ポーズ予測モデルとしてコンテキスト解釈型時空間グラフネットワーク(IST-GCN)を提案する。
提案アーキテクチャでは,ポーズシーケンスから意味のある情報を抽出し,入力モデルにアグリゲーションとアクセラレーションを集約し,最終的に出力変位を予測する。
論文 参考訳（メタデータ） (2024-02-21T17:51:30Z) - Black-Box vs. Gray-Box: A Case Study on Learning Table Tennis Ball
Trajectory Prediction with Spin and Impacts [12.103456313315764]
本稿では,テーブル球の軌道フィルタリングと予測手法を提案する。
我々は,ボールの初期条件を推測するダイナミックスモデル,拡張カルマンフィルタ,ニューラルモデルのパラメータをデータを用いて学習する。
論文 参考訳（メタデータ） (2023-05-24T14:28:22Z) - PREF: Predictability Regularized Neural Motion Fields [68.60019434498703]
ダイナミックなシーンで3Dの動きを知ることは、多くの視覚応用にとって不可欠である。
多視点設定における全ての点の運動を推定するために神経運動場を利用する。
予測可能な動きを正規化することを提案する。
論文 参考訳（メタデータ） (2022-09-21T22:32:37Z) - DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks
for Human Motion Prediction [8.142947808507365]
動作予測のためのフィードフォワードディープニューラルネットワークを提案する。
モデル全体がすべてのアクションに適合し、エンコーダ・デコーダのフレームワークに従う。
提案手法は,Human3.6MとCMU Mocapのデータセット上でSOTA法より優れている。
論文 参考訳（メタデータ） (2021-12-20T07:07:03Z) - Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based
Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。
MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-08-25T14:05:37Z) - 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) - AVGCN: Trajectory Prediction using Graph Convolutional Networks Guided
by Human Attention [11.342351420439725]
本稿では,人間の注意に基づくグラフ畳み込みネットワーク(GCN)を用いた軌道予測のための新しい手法であるAVGCNを提案する。
本手法は,いくつかの軌道予測ベンチマークにおいて最先端性能を達成し,検討したベンチマークにおいて平均予測誤差が最も低い。
論文 参考訳（メタデータ） (2021-01-14T16:00:31Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z)
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。