論文の概要: Learning Group Interactions and Semantic Intentions for Multi-Object Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2412.15673v1
• Date: Fri, 20 Dec 2024 08:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:56.535692
• Title: Learning Group Interactions and Semantic Intentions for Multi-Object Trajectory Prediction
• Title（参考訳）: 多目的軌道予測のための群間相互作用と意味的意図の学習
• Authors: Mengshi Qi, Yuxin Yang, Huadong Ma,
• Abstract要約: 本稿では,グループレベルの相互作用を条件付き拡散モデルに統合する,拡散に基づく新しい軌道予測フレームワークを提案する。 我々は,Banzhafインタラクションを用いた協調ゲームとしてのグループインタラクション予測を行い,協調の傾向をモデル化した。 提案モデルでは,3つの広く適応されたデータセットの実験において,最先端の手法よりも優れる。
• 参考スコア（独自算出の注目度）: 25.83048268738363
• License:
• Abstract: Effective modeling of group interactions and dynamic semantic intentions is crucial for forecasting behaviors like trajectories or movements. In complex scenarios like sports, agents' trajectories are influenced by group interactions and intentions, including team strategies and opponent actions. To this end, we propose a novel diffusion-based trajectory prediction framework that integrates group-level interactions into a conditional diffusion model, enabling the generation of diverse trajectories aligned with specific group activity. To capture dynamic semantic intentions, we frame group interaction prediction as a cooperative game, using Banzhaf interaction to model cooperation trends. We then fuse semantic intentions with enhanced agent embeddings, which are refined through both global and local aggregation. Furthermore, we expand the NBA SportVU dataset by adding human annotations of team-level tactics for trajectory and tactic prediction tasks. Extensive experiments on three widely-adopted datasets demonstrate that our model outperforms state-of-the-art methods. Our source code and data are available at https://github.com/aurora-xin/Group2Int-trajectory.
• Abstract（参考訳）: グループ間の相互作用と動的な意味的意図の効果的なモデリングは、軌跡や動きなどの行動を予測するために不可欠である。 スポーツのような複雑なシナリオでは、エージェントの軌道はチーム戦略や相手の行動を含むグループ間の相互作用や意図に影響される。 そこで本研究では,グループレベルの相互作用を条件付き拡散モデルに統合し,特定のグループ活動に整合した多様なトラジェクトリの生成を可能にする,新しい拡散に基づく軌道予測フレームワークを提案する。 動的セマンティックな意図を捉えるために,Banzhafインタラクションを用いたグループ間相互作用予測を協調ゲームとして用いた。 次に,グローバルアグリゲーションとローカルアグリゲーションの両方を通じて洗練されたエージェント埋め込みを施した意味的意図を融合する。 さらに,NBAスポーツVUデータセットを,軌道および戦術予測タスクのためのチームレベルの戦術の人間のアノテーションを追加することで拡張する。 広く研究されている3つのデータセットに対する大規模な実験は、我々のモデルが最先端の手法より優れていることを示している。 ソースコードとデータはhttps://github.com/aurora-xin/Group2Int-trajectory.comで公開されています。

関連論文リスト

• 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)
• SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction [4.286256266868156]
  トラジェクティブ予測のためのインタラクションモデリングを強化するために,プリテキストタスクを提案するSSL-Interactionsを提案する。 エージェントインタラクションの様々な側面をカプセル化する4つの対話対応プレテキストタスクを導入する。 また,データセットからインタラクション重大シナリオをキュレートする手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:43:40Z)
• 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)
• Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with Relational Reasoning [29.294244001911242]
  動的グループ認識ネットワークDynGroupNetを提案する。 DynGroupNetをベースとして,動的リレーショナル推論を用いて社会的に妥当な軌道を予測するための予測システムを設計する。
  論文  参考訳（メタデータ） (2022-06-27T08:36:56Z)
• GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning [37.64048110462638]
  GroupNetは、ペアワイドとグループワイドの両方のインタラクションをキャプチャする、マルチスケールのハイパーグラフニューラルネットワークである。 CVAEに基づく予測システムと従来の最先端予測システムの両方にGroupNetを適用した。 CVAEに基づく予測システムであるGroupNetは,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-19T09:36:20Z)
• Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
  本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。 本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
  論文  参考訳（メタデータ） (2022-04-05T17:58:18Z)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• 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)
• HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction [14.57655217378212]
  本研究では,軌道予測のための階層型グラフ畳み込みネットワークHGCN-GJSを提案する。 本稿では,複数歩行者の将来の軌道における関節分布をモデル化するための新しい共同サンプリング手法を提案する。 我々は,複数の軌道予測データセット上でのネットワークの性能を実証し,検討したすべてのデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-15T14:51:10Z)
• 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。