論文の概要: A Spatio-temporal Graph Network Allowing Incomplete Trajectory Input for Pedestrian Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2501.13973v1
• Date: Wed, 22 Jan 2025 19:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:45.631141
• Title: A Spatio-temporal Graph Network Allowing Incomplete Trajectory Input for Pedestrian Trajectory Prediction
• Title（参考訳）: 歩行者軌道予測のための不完全な軌道入力が可能な時空間グラフネットワーク
• Authors: Juncen Long, Gianluca Bardaro, Simone Mentasti, Matteo Matteucci,
• Abstract要約: STGN-ITネットワークは、不完全な歴史的軌跡を持つ歩行者の将来の軌跡を予測することができる。 クラスタリングアルゴリズムはネットワークの構築にも適用される。 公開データセットの実験では、STGN-ITはこれらのメトリクスのアートアルゴリズムよりも優れています。
• 参考スコア（独自算出の注目度）: 4.267252690168903
• License:
• Abstract: Pedestrian trajectory prediction is important in the research of mobile robot navigation in environments with pedestrians. Most pedestrian trajectory prediction algorithms require the input historical trajectories to be complete. If a pedestrian is unobservable in any frame in the past, then its historical trajectory become incomplete, the algorithm will not predict its future trajectory. To address this limitation, we propose the STGN-IT, a spatio-temporal graph network allowing incomplete trajectory input, which can predict the future trajectories of pedestrians with incomplete historical trajectories. STGN-IT uses the spatio-temporal graph with an additional encoding method to represent the historical trajectories and observation states of pedestrians. Moreover, STGN-IT introduces static obstacles in the environment that may affect the future trajectories as nodes to further improve the prediction accuracy. A clustering algorithm is also applied in the construction of spatio-temporal graphs. Experiments on public datasets show that STGN-IT outperforms state of the art algorithms on these metrics.
• Abstract（参考訳）: 歩行者の環境における移動ロボットナビゲーションの研究において歩行者軌道予測が重要である。 ほとんどの歩行者軌道予測アルゴリズムは、入力された歴史的軌道を完了させる必要がある。 歩行者が過去の任意のフレームで観測できない場合、その歴史的軌跡が不完全になる場合、アルゴリズムは将来の軌跡を予測しない。 この制限に対処するために,不完全な軌跡入力が可能な時空間グラフネットワークSTGN-ITを提案する。 STGN-ITは、歩行者の歴史的軌跡や観察状態を表すために、時空間グラフと追加の符号化法を用いている。 さらに、STGN-ITは、予測精度をさらに向上するために、将来の軌道に影響を及ぼす可能性のある環境における静的障害を導入している。 クラスタリングアルゴリズムは時空間グラフの構成にも応用される。 公開データセットの実験では、STGN-ITがこれらのメトリクスで最先端のアルゴリズムより優れていることが示されている。

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)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• STF: Spatial Temporal Fusion for Trajectory Prediction [18.359362362173098]
  軌道予測は、車や歩行者の将来の軌道を短時間で予測することを目的とした課題である。 モデルが捉えることができる情報が多ければ多いほど、将来の軌道はより正確に予測できる。 本研究では,空間的エッジと時間的エッジを一体化した3Dグラフを提案する。
  論文  参考訳（メタデータ） (2023-11-29T23:31:40Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Graph-based Spatial Transformer with Memory Replay for Multi-future Pedestrian Trajectory Prediction [13.466380808630188]
  歴史的軌跡に基づく複数経路の予測モデルを提案する。 提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。 実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-06-12T10:25:12Z)
• 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)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction [0.0]
  本稿では,軌道予測のためのLSTMに基づく新しいアルゴリズムを提案する。 我々は静的なシーンと歩行者を考慮することでこの問題に対処する。 この関係を符号化したのはLSTMであり,我々のモデルは群集シナリオにおけるノードの軌跡を同時に予測する。
  論文  参考訳（メタデータ） (2020-09-22T11:43:40Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)
• A Novel Graph based Trajectory Predictor with Pseudo Oracle [15.108410951760131]
  GTPPOは、歩行者の将来の行動に配慮したエンコーダデコーダに基づく手法である。 ETH、UCY、Stanford Droneのデータセットで評価されている。
  論文  参考訳（メタデータ） (2020-02-02T13:40:47Z)

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。