論文の概要: Poly-Autoregressive Prediction for Modeling Interactions

• arxiv url: http://arxiv.org/abs/2502.08646v1
• Date: Wed, 12 Feb 2025 18:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:47:59.265403
• Title: Poly-Autoregressive Prediction for Modeling Interactions
• Title（参考訳）: 相互作用モデリングのための多自己回帰予測
• Authors: Neerja Thakkar, Tara Sadjadpour, Jathushan Rajasegaran, Shiry Ginosar, Jitendra Malik,
• Abstract要約: 本稿では,エゴエージェントの今後の行動を予測する多自己回帰(PAR)モデリングを提案する。 PARは、社会的状況における人間の行動予測、自動運転車の軌道予測、手動物体間相互作用における物体のポーズ予測の3つの異なる問題に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 42.51313085280179
• License:
• Abstract: We introduce a simple framework for predicting the behavior of an agent in multi-agent settings. In contrast to autoregressive (AR) tasks, such as language processing, our focus is on scenarios with multiple agents whose interactions are shaped by physical constraints and internal motivations. To this end, we propose Poly-Autoregressive (PAR) modeling, which forecasts an ego agent's future behavior by reasoning about the ego agent's state history and the past and current states of other interacting agents. At its core, PAR represents the behavior of all agents as a sequence of tokens, each representing an agent's state at a specific timestep. With minimal data pre-processing changes, we show that PAR can be applied to three different problems: human action forecasting in social situations, trajectory prediction for autonomous vehicles, and object pose forecasting during hand-object interaction. Using a small proof-of-concept transformer backbone, PAR outperforms AR across these three scenarios. The project website can be found at https://neerja.me/PAR/.
• Abstract（参考訳）: エージェントの動作を予測するためのシンプルなフレームワークをマルチエージェント設定で導入する。 言語処理のような自己回帰(AR)タスクとは対照的に、インタラクションが物理的制約や内部モチベーションによって形作られる複数のエージェントのシナリオに重点を置いています。 そこで本研究では,エゴエージェントの状態履歴と相互作用エージェントの過去および現在状態について推論することで,エゴエージェントの将来挙動を予測できるポリ自己回帰モデルを提案する。 PARは、すべてのエージェントの振る舞いをトークンのシーケンスとして表現し、それぞれ特定のタイミングでエージェントの状態を表す。 最小限のデータ前処理の変更により、PARは社会的状況における人間の行動予測、自動運転車の軌道予測、手動物体間相互作用における物体のポーズ予測の3つの異なる問題に適用可能であることを示す。 小さな概念変換器のバックボーンを使用して、PARはこれらの3つのシナリオでARを上回っている。 プロジェクトのWebサイトはhttps://neerja.me/PAR/にある。

関連論文リスト

• Generative Agents: Interactive Simulacra of Human Behavior [86.1026716646289]
  生成エージェントを導入し,人間の振る舞いをシミュレートする計算ソフトウェアエージェントについて紹介する。 エージェントの経験の完全な記録を格納するために,大規模言語モデルを拡張するアーキテクチャについて述べる。 The Simsにインスパイアされた対話型サンドボックス環境に生成エージェントを投入する。
  論文  参考訳（メタデータ） (2023-04-07T01:55:19Z)
• 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)
• Exploring Social Posterior Collapse in Variational Autoencoder for Interaction Modeling [26.01824780050843]
  変分オートエンコーダ(VAE)は多エージェント相互作用モデリングに広く応用されている。 VAEは、エージェントの将来の軌跡を予測する際に、歴史的社会的文脈を無視しやすい。 本稿では,ソーシャルな後部崩壊を検知する新しいスパースグラフアテンションメッセージパッシング層を提案する。
  論文  参考訳（メタデータ） (2021-12-01T06:20:58Z)
• 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)
• Scene Transformer: A unified multi-task model for behavior prediction and planning [42.758178896204036]
  実世界の運転環境における全てのエージェントの行動予測モデルを定式化する。 近年の言語モデリングアプローチにインスパイアされた我々は、マスキング戦略をモデルに対するクエリとして使用しています。 我々は,行動予測のための自律走行データセットに対するアプローチを評価し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-06-15T20:20:44Z)
• Time-series Imputation of Temporally-occluded Multiagent Trajectories [18.862173210927658]
  エージェントのサブセットの過去と将来の観測が、他のエージェントの欠落した観察を推定するために使用される、マルチエージェントの時系列計算の問題について検討する。 グラフインプタ(Graph Imputer)と呼ばれる我々の手法は,グラフネットワークと変分オートエンコーダを組み合わせた前方情報と後方情報を利用する。 提案手法は,プロジェクティブカメラモジュールを用いて,オフスクリーンプレーヤの状態推定設定のためのモデルをトレーニングし,評価する。
  論文  参考訳（メタデータ） (2021-06-08T09:58:43Z)
• AgentFormer: Agent-Aware Transformers for Socio-Temporal Multi-Agent Forecasting [25.151713845738335]
  我々は、時間と社会的次元を共同でモデル化する新しいトランスフォーマー、AgentFormerを提案する。 エージェントフォーマに基づいて,任意のエージェントの特徴に任意の時間ステップで対応可能なマルチエージェント軌道予測モデルを提案する。 提案手法は,歩行者および自律運転用データセットにおける技術状況を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-25T17:59:01Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• Robust Trajectory Forecasting for Multiple Intelligent Agents in Dynamic Scene [11.91073327154494]
  動的シーンにおける複数エージェントのロバストな軌道予測手法を提案する。 提案手法は予測精度の点で最先端の予測手法より優れている。
  論文  参考訳（メタデータ） (2020-05-27T02:32:55Z)

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。