論文の概要: Social Physics Informed Diffusion Model for Crowd Simulation
- arxiv url: http://arxiv.org/abs/2402.06680v1
- Date: Thu, 8 Feb 2024 04:43:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:55:54.736148
- Title: Social Physics Informed Diffusion Model for Crowd Simulation
- Title(参考訳): 群衆シミュレーションのための社会物理学インフォームド拡散モデル
- Authors: Hongyi Chen, Jingtao Ding, Yong Li, Yue Wang, Xiao-Ping Zhang
- Abstract要約: SPDiffという社会物理学インフォームド拡散モデルを提案する。
2つの実世界のデータセットで実施された実験は、SPDiffの優れた性能を示している。
- 参考スコア(独自算出の注目度): 17.072938818953183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crowd simulation holds crucial applications in various domains, such as urban
planning, architectural design, and traffic arrangement. In recent years,
physics-informed machine learning methods have achieved state-of-the-art
performance in crowd simulation but fail to model the heterogeneity and
multi-modality of human movement comprehensively. In this paper, we propose a
social physics-informed diffusion model named SPDiff to mitigate the above gap.
SPDiff takes both the interactive and historical information of crowds in the
current timeframe to reverse the diffusion process, thereby generating the
distribution of pedestrian movement in the subsequent timeframe. Inspired by
the well-known social physics model, i.e., Social Force, regarding crowd
dynamics, we design a crowd interaction module to guide the denoising process
and further enhance this module with the equivariant properties of crowd
interactions. To mitigate error accumulation in long-term simulations, we
propose a multi-frame rollout training algorithm for diffusion modeling.
Experiments conducted on two real-world datasets demonstrate the superior
performance of SPDiff in terms of macroscopic and microscopic evaluation
metrics. Code and appendix are available at
https://github.com/tsinghua-fib-lab/SPDiff.
- Abstract(参考訳): 群衆シミュレーションは、都市計画、建築設計、交通の配置など、様々な分野において重要な応用を担っている。
近年, 物理インフォームド機械学習手法は, 群集シミュレーションにおいて最先端のパフォーマンスを達成しているが, 人間の運動の異質性と多様性を包括的にモデル化することはできなかった。
本稿では,SPDiff という社会物理学インフォームド拡散モデルを提案し,このギャップを緩和する。
SPDiffは、現在の時間軸における群衆の対話的かつ歴史的情報の両方を用いて拡散過程を反転させ、その後の時間軸における歩行者の動きの分布を生成する。
社会物理学モデル(すなわち社会力モデル)に着想を得て,群集の動力学について,群集相互作用モジュールの設計を行い,群集相互作用の同変特性により,群集相互作用の過程を導いていく。
長期シミュレーションにおける誤差の蓄積を軽減するため,拡散モデリングのためのマルチフレームロールアウトトレーニングアルゴリズムを提案する。
2つの実世界のデータセットで実施された実験は、マクロおよび微視的評価指標によるSPDiffの優れた性能を示す。
コードと付録はhttps://github.com/tsinghua-fib-lab/spdiffで入手できる。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳(メタデータ) (2023-06-09T18:40:55Z) - DiffMesh: A Motion-aware Diffusion-like Framework for Human Mesh
Recovery from Videos [51.32026590626831]
ヒューマンメッシュリカバリ(Human Mesh recovery, HMR)は、さまざまな現実世界のアプリケーションに対して、リッチな人体情報を提供する。
ビデオベースのアプローチはこの問題を緩和するために時間的情報を活用する。
DiffMeshはビデオベースのHMRのための革新的な動き認識型拡散型フレームワークである。
論文 参考訳(メタデータ) (2023-03-23T16:15:18Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳(メタデータ) (2022-10-29T23:05:39Z) - Towards Multi-spatiotemporal-scale Generalized PDE Modeling [4.924631198058705]
渦流および速度関数形式における流体力学問題に対する様々なFNOとU-Netのようなアプローチの比較を行う。
一つの代理モデルを用いて異なるPDEパラメータと時間スケールへの一般化の有望な結果を示す。
論文 参考訳(メタデータ) (2022-09-30T17:40:05Z) - Quantum dynamics simulations beyond the coherence time on NISQ hardware
by variational Trotter compression [0.0]
我々は,今日のIBM量子ハードウェア上でのハイゼンベルクモデルの時間後力学シミュレーションを実演する。
本稿では,現在のハードウェア上で必要なコスト関数,時間進化状態と変動状態の重なりを計測する方法を示す。
実ハードウェア上でのシミュレーションの実施に加えて,ノイズのない,ノイズの多い古典シミュレーションを用いて,アルゴリズムの性能とスケーリング挙動について検討する。
論文 参考訳(メタデータ) (2021-12-23T15:44:47Z) - DiffSRL: Learning Dynamic-aware State Representation for Deformable
Object Control with Differentiable Simulator [26.280021036447213]
ダイナミックス関連情報をキャプチャできる潜在空間は、モデルフリー強化学習の加速のような分野に広く応用されている。
微分可能シミュレーションを利用した動的状態表現学習パイプラインDiffSRLを提案する。
本モデルでは,長期的ダイナミクスと報奨予測の両面で優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-24T04:53:58Z) - MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。
このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
論文 参考訳(メタデータ) (2021-07-29T22:55:26Z) - MoCo-Flow: Neural Motion Consensus Flow for Dynamic Humans in Stationary
Monocular Cameras [98.40768911788854]
4次元連続時間変動関数を用いて動的シーンをモデル化する表現であるMoCo-Flowを紹介する。
私たちの研究の中心には、運動フロー上の運動コンセンサス正規化によって制約される、新しい最適化の定式化がある。
複雑度の異なる人間の動きを含む複数のデータセット上でMoCo-Flowを広範囲に評価した。
論文 参考訳(メタデータ) (2021-06-08T16:03:50Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。