論文の概要: Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2412.02395v1
- Date: Tue, 03 Dec 2024 11:47:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:44:22.267426
- Title: Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction
- Title(参考訳): 歩行者の軌道予測のためのグループとの社会的相互作用を知覚する人
- Authors: Ziqian Zou, Conghao Wong, Beihao Xia, Qinmu Peng, Xinge You,
- Abstract要約: 本稿では,GrouP ConCeption(GPCC)モデルを提案する。
GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
- 参考スコア(独自算出の注目度): 14.009392073139441
- License:
- Abstract: Understanding and anticipating human movement has become more critical and challenging in diverse applications such as autonomous driving and surveillance. The complex interactions brought by different relations between agents are a crucial reason that poses challenges to this task. Researchers have put much effort into designing a system using rule-based or data-based models to extract and validate the patterns between pedestrian trajectories and these interactions, which has not been adequately addressed yet. Inspired by how humans perceive social interactions with different level of relations to themself, this work proposes the GrouP ConCeption (short for GPCC) model composed of the Group method, which categorizes nearby agents into either group members or non-group members based on a long-term distance kernel function, and the Conception module, which perceives both visual and acoustic information surrounding the target agent. Evaluated across multiple datasets, the GPCC model demonstrates significant improvements in trajectory prediction accuracy, validating its effectiveness in modeling both social and individual dynamics. The qualitative analysis also indicates that the GPCC framework successfully leverages grouping and perception cues human-like intuitively to validate the proposed model's explainability in pedestrian trajectory forecasting.
- Abstract(参考訳): 自律運転や監視といった多様な応用において、人間の動きを理解し、予測することはより重要で困難になっている。
エージェント間の異なる関係によって引き起こされる複雑な相互作用は、このタスクに課題を引き起こす決定的な理由である。
研究者たちは、ルールベースのモデルやデータベースのモデルを使って、歩行者軌道とこれらの相互作用の間のパターンを抽出し、検証するシステムの設計に多くの努力を払ってきた。
本研究は,ヒトが相互の関係の異なる社会的相互作用をどう知覚するかに触発され,グループ法によって構成されるGrouP ConCeption(GPCCのショート)モデルを提案し,そのモデルにより,近辺のエージェントを,長期のカーネル機能に基づいてグループメンバーまたは非グループメンバーに分類し,ターゲットエージェントを取り巻く視覚情報と音響情報の両方を知覚する概念モジュールを提案する。
複数のデータセットで評価され、GPCCモデルは軌道予測精度を大幅に改善し、社会的および個人的ダイナミクスのモデリングにおけるその有効性を検証する。
また, GPCCフレームワークは, 歩行者軌道予測におけるモデルの説明可能性を検証するために, グループ化と知覚を直感的に活用することが示唆された。
関連論文リスト
- Enhancing Interaction Modeling with Agent Selection and Physical Coefficient for Trajectory Prediction [1.6954753390775528]
本稿では,インタラクションエージェントを手動で選択し,アテンションスコアの代わりに相関関係を計算するASPILinを提案する。
興味深いことに、InterACTION、HighD、CitySimデータセットで実施された実験は、我々の手法が効率的かつ簡単であることを実証している。
論文 参考訳(メタデータ) (2024-05-21T18:45:18Z) - Group-Aware Coordination Graph for Multi-Agent Reinforcement Learning [19.386588137176933]
GACG(Group-Aware Coordination Graph)は、エージェントペア間の協調を現在の観測結果に基づいて捉えるように設計されている。
GACGは、意思決定中にエージェント間の情報交換のためのグラフ畳み込みにも使われる。
本稿では,StarCraft IIマイクロマネジメントタスクによるGACGの性能評価を行った。
論文 参考訳(メタデータ) (2024-04-17T01:17:10Z) - 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) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T18:57:42Z) - IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。
従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。
人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
論文 参考訳(メタデータ) (2023-11-26T05:17:11Z) - Towards a Unified Transformer-based Framework for Scene Graph Generation
and Human-object Interaction Detection [116.21529970404653]
本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。
本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。
提案手法は最先端のHOI法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2023-11-03T07:25:57Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳(メタデータ) (2022-10-17T07:16:44Z) - 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) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳(メタデータ) (2020-07-07T17:19:56Z)
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。