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

• A Data-driven Crowd Simulation Framework Integrating Physics-informed Machine Learning with Navigation Potential Fields [15.429885272765363]
  本研究では,物理インフォームド・機械学習(PIML)とナビゲーションポテンシャル場を統合した,新しいデータ駆動クラウドシミュレーションフレームワークを提案する。 具体的には,革新的な物理インフォームドS時間グラフ畳み込みネットワーク(PI-STGCN)を,歩行者の移動傾向を予測するデータ駆動モジュールとして設計する。 本フレームワークでは,PI-STGCNにより予測される移動傾向に基づいて,ナビゲーション電位場を動的に計算し,更新する。
  論文  参考訳（メタデータ） (2024-10-21T15:56:17Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Urban Sound Propagation: a Benchmark for 1-Step Generative Modeling of Complex Physical Systems [8.04779839951237]
  本稿では,速度と物理的正確性の観点から,1ステップの推論モデルの評価のためのベンチマークを示す。 本ベンチマークは, 都市環境における音源からの波動の2次元伝播をモデル化する, 物理的に複雑で実用的な作業に基づくものである。 我々は100kのサンプルを用いて,各サンプルがOpenStreetmapから引き出された実2次元ビルディングマップとパラメータ化された音源と,与えられたシーンに対する模擬地上真実音の伝搬からなるデータセットを提供する。
  論文  参考訳（メタデータ） (2024-03-16T11:38:58Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,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ために,Equivariant Graph Neural Operator (EGNO)を提案する。 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)
• 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)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• 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)
• 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。