論文の概要: Multi-Scale Incremental Modeling for Enhanced Human Motion Prediction in Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2412.11632v1
• Date: Mon, 16 Dec 2024 10:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:42.685537
• Title: Multi-Scale Incremental Modeling for Enhanced Human Motion Prediction in Human-Robot Collaboration
• Title（参考訳）: マルチスケールインクリメンタルモデリングによるロボット協調作業における人間動作予測の強化
• Authors: Juncheng Zou,
• Abstract要約: 本稿では,複数の時間スケールにまたがるインクリメンタルモデルを明示的に符号化する新しいフレームワークを提案する。 4つのデータセットの実験では、連続性、生体力学的一貫性、長期予測安定性が大幅に改善された。 提案したマルチスケールインクリメンタルアプローチは、シームレスな人間とロボットの相互作用に不可欠な人間の動き予測能力を向上するための強力な技術を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate human motion prediction is crucial for safe human-robot collaboration but remains challenging due to the complexity of modeling intricate and variable human movements. This paper presents Parallel Multi-scale Incremental Prediction (PMS), a novel framework that explicitly models incremental motion across multiple spatio-temporal scales to capture subtle joint evolutions and global trajectory shifts. PMS encodes these multi-scale increments using parallel sequence branches, enabling iterative refinement of predictions. A multi-stage training procedure with a full-timeline loss integrates temporal context. Extensive experiments on four datasets demonstrate substantial improvements in continuity, biomechanical consistency, and long-term forecast stability by modeling inter-frame increments. PMS achieves state-of-the-art performance, increasing prediction accuracy by 16.3%-64.2% over previous methods. The proposed multi-scale incremental approach provides a powerful technique for advancing human motion prediction capabilities critical for seamless human-robot interaction.
• Abstract（参考訳）: 人間の動きの正確な予測は、安全な人間とロボットのコラボレーションには不可欠であるが、複雑で可変的な人間の動きのモデリングの複雑さのため、依然として困難である。 本稿では,複数の時空間スケールにまたがるインクリメンタルな動きを明示的にモデル化し,微妙な関節進化とグローバルな軌道シフトを捉える新しいフレームワークであるParallel Multi-scale Incremental Prediction (PMS)を提案する。 PMSはこれらのマルチスケールインクリメントを並列シーケンスブランチを使ってエンコードし、予測の反復的洗練を可能にする。 フルタイムラインの損失を伴うマルチステージトレーニング手順は、時間的コンテキストを統合する。 4つのデータセットに対する大規模な実験は、フレーム間のインクリメントをモデル化することにより、連続性、生体力学的一貫性、長期予測安定性を大幅に改善することを示した。 PMSは最先端の性能を達成し、予測精度は以前の手法よりも16.3%-64.2%向上した。 提案したマルチスケールインクリメンタルアプローチは、シームレスな人間とロボットの相互作用に不可欠な人間の動き予測能力を向上するための強力な技術を提供する。

関連論文リスト

• Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
  マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。 提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
  論文  参考訳（メタデータ） (2024-11-04T23:15:21Z)
• MDMP: Multi-modal Diffusion for supervised Motion Predictions with uncertainty [7.402769693163035]
  本稿では,運動予測のための多モード拡散モデルを提案する。 骨格データと行動のテキスト記述を統合し、定量性のある不確実性を伴う洗練された長期動作予測を生成する。 我々のモデルは、長期動作を正確に予測する上で、既存の生成技術よりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-10-04T18:49:00Z)
• Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
  ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。 時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
  論文  参考訳（メタデータ） (2024-04-25T12:47:47Z)
• Multi-agent Long-term 3D Human Pose Forecasting via Interaction-aware Trajectory Conditioning [41.09061877498741]
  本稿では,対話型トラジェクトリ条件付き長期マルチエージェントヒューマンポーズ予測モデルを提案する。 本モデルは,人間の動作の多モード性と長期多エージェント相互作用の複雑さを効果的に扱う。
  論文  参考訳（メタデータ） (2024-04-08T06:15:13Z)
• 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)
• AdvMT: Adversarial Motion Transformer for Long-term Human Motion Prediction [2.837740438355204]
  本稿では,AdvMT(Adversarial Motion Transformer)について述べる。 逆行訓練では,予測の不要な成果物を効果的に削減し,より現実的で流動的な人間の動作の学習を確実にする。
  論文  参考訳（メタデータ） (2024-01-10T09:15:50Z)
• Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction [5.501477817904299]
  本研究では,人間の関節の制約とシーンの制約を組み込んだ新しい動き予測フレームワークを提案する。 人間の腕のキネマティックモデルでテストされ、UR5ロボットアームと人間とロボットの協調的な設定で実装されている。
  論文  参考訳（メタデータ） (2023-10-05T05:12:14Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
  本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。 将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。 トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-03-31T02:49:23Z)

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。