論文の概要: Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis

• arxiv url: http://arxiv.org/abs/2408.15250v1
• Date: Fri, 9 Aug 2024 07:24:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:42:01.599198
• Title: Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis
• Title（参考訳）: 変圧器を用いた行動クラスタリングとデータ駆動型到達可能性解析を用いた歩行者運動予測
• Authors: Kleio Fragkedaki, Frank J. Jiang, Karl H. Johansson, Jonas Mårtensson,
• Abstract要約: 本稿では,過去の軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。 階層的密度に基づくクラスタリングと組み合わされた変換器エンコーダを用いて、多様な行動パターンを自動的に識別する。 これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。
• 参考スコア（独自算出の注目度）: 1.8963583458350768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a transformer-based framework for predicting future pedestrian states based on clustered historical trajectory data. In previous studies, researchers propose enhancing pedestrian trajectory predictions by using manually crafted labels to categorize pedestrian behaviors and intentions. However, these approaches often only capture a limited range of pedestrian behaviors and introduce human bias into the predictions. To alleviate the dependency on manually crafted labels, we utilize a transformer encoder coupled with hierarchical density-based clustering to automatically identify diverse behavior patterns, and use these clusters in data-driven reachability analysis. By using a transformer-based approach, we seek to enhance the representation of pedestrian trajectories and uncover characteristics or features that are subsequently used to group trajectories into different "behavior" clusters. We show that these behavior clusters can be used with data-driven reachability analysis, yielding an end-to-end data-driven approach to predicting the future motion of pedestrians. We train and evaluate our approach on a real pedestrian dataset, showcasing its effectiveness in forecasting pedestrian movements.
• Abstract（参考訳）: 本研究では,クラスタ化された歴史的軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。 従来の研究では、手作業によるラベルを用いて歩行者の行動や意図を分類することにより、歩行者の軌道予測の強化が提案されている。 しかしながら、これらのアプローチはしばしば限られた歩行者行動のみを捉え、予測に人間の偏見をもたらす。 手作業で作成したラベルへの依存性を軽減するために,階層的な密度に基づくクラスタリングと組み合わせたトランスフォーマーエンコーダを使用して,多様な動作パターンを自動的に識別し,これらのクラスタをデータ駆動型リーチビリティ解析に利用する。 変圧器をベースとしたアプローチにより,歩行者軌道の表現を強化し,その後,異なる「行動」クラスタに軌跡を分類するために使用される特徴や特徴を明らかにする。 これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。 我々は,実際の歩行者行動予測において,その有効性を示すために,実際の歩行者データセット上でのアプローチを訓練し,評価する。

関連論文リスト

• Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
  TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。 本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。 本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
  論文  参考訳（メタデータ） (2024-10-31T19:42:42Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving [13.126949982768505]
  歩行者の動きを予測できる能力は、自動運転車にとって重要な能力である。 都市環境では、歩行者は道路エリアに入り、運転のリスクが高い。 本研究は,歩行者予測のための軌跡のみと外観に基づく手法の比較評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T11:24:38Z)
• On-Board Pedestrian Trajectory Prediction Using Behavioral Features [5.97114962845139]
  本稿では,車載カメラシステムにおける歩行者軌跡予測の新しい手法を提案する。 提案手法は,複数の入力モダリティ,すなわち歩行者の身体と頭部の向き,およびポーズを独立符号化ストリームで処理する。 歩行者行動予測のための2つのデータセットの実験において、歩行者軌道予測に行動特徴を用いることの利点を実証し、提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-10-21T14:40:51Z)
• PedFormer: Pedestrian Behavior Prediction via Cross-Modal Attention Modulation and Gated Multitask Learning [10.812772606528172]
  本研究では,エゴ中心の視点から,歩行者の将来の軌跡や横断行動を予測するために,異なるデータモダリティに依存する新しい枠組みを提案する。 本モデルでは, トラジェクトリとアクション予測の精度を, それぞれ22%, 13%向上した。
  論文  参考訳（メタデータ） (2022-10-14T15:12:00Z)
• 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)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond [82.37430109152383]
  その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-10T06:00:26Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• 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)

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。