論文の概要: BP-SGCN: Behavioral Pseudo-Label Informed Sparse Graph Convolution Network for Pedestrian and Heterogeneous Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2502.14676v1
- Date: Thu, 20 Feb 2025 16:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:29:18.487814
- Title: BP-SGCN: Behavioral Pseudo-Label Informed Sparse Graph Convolution Network for Pedestrian and Heterogeneous Trajectory Prediction
- Title（参考訳）: BP-SGCN:歩行者・異種軌道予測のための挙動擬似ラベルインフォームドスパースグラフ畳み込みネットワーク
- Authors: Ruochen Li, Stamos Katsigiannis, Tae-Kyun Kim, Hubert P. H. Shum,
- Abstract要約: 軌道予測は、自動運転車や監視の応用におけるより良い意思決定を可能にする。
本研究では、擬似ラベルを学習し、軌道予測器に通知する行動擬似ラベルインフォームドスパースグラフ畳み込みネットワーク(BP-SGCN)を提案する。
実験の結果, 擬似ラベルは, 異なる行動クラスタを効果的にモデル化し, 軌道予測を改善することがわかった。
- 参考スコア（独自算出の注目度）: 31.408569026505457
- License:
- Abstract: Trajectory prediction allows better decision-making in applications of autonomous vehicles or surveillance by predicting the short-term future movement of traffic agents. It is classified into pedestrian or heterogeneous trajectory prediction. The former exploits the relatively consistent behavior of pedestrians, but is limited in real-world scenarios with heterogeneous traffic agents such as cyclists and vehicles. The latter typically relies on extra class label information to distinguish the heterogeneous agents, but such labels are costly to annotate and cannot be generalized to represent different behaviors within the same class of agents. In this work, we introduce the behavioral pseudo-labels that effectively capture the behavior distributions of pedestrians and heterogeneous agents solely based on their motion features, significantly improving the accuracy of trajectory prediction. To implement the framework, we propose the Behavioral Pseudo-Label Informed Sparse Graph Convolution Network (BP-SGCN) that learns pseudo-labels and informs to a trajectory predictor. For optimization, we propose a cascaded training scheme, in which we first learn the pseudo-labels in an unsupervised manner, and then perform end-to-end fine-tuning on the labels in the direction of increasing the trajectory prediction accuracy. Experiments show that our pseudo-labels effectively model different behavior clusters and improve trajectory prediction. Our proposed BP-SGCN outperforms existing methods using both pedestrian (ETH/UCY, pedestrian-only SDD) and heterogeneous agent datasets (SDD, Argoverse 1).
- Abstract（参考訳）: 軌道予測は、交通機関の短期的な動きを予測することによって、自動運転車や監視の応用におけるより良い意思決定を可能にする。
歩行者または異種軌道予測に分類される。
前者は歩行者の比較的一貫した行動を利用するが、現実のシナリオではサイクリストや車両のような異質な交通機関でしか利用できない。
後者は典型的には異種エージェントを区別するために余分なクラスラベル情報に依存するが、そのようなラベルはアノテートに費用がかかり、同じ種類のエージェント内で異なる振る舞いを表現するために一般化できない。
本研究では,歩行者や異種エージェントの行動分布を,移動特性のみに基づいて効果的に把握し,軌道予測の精度を大幅に向上させる行動擬似ラベルを提案する。
このフレームワークを実装するために,擬似ラベルを学習し,軌道予測器に通知する行動擬似ラベルインフォームドスパースグラフ畳み込みネットワーク(BP-SGCN)を提案する。
最適化のために、まず擬似ラベルを教師なしで学習し、次に軌道予測精度を高める方向にラベルをエンドツーエンドで微調整するカスケードトレーニング手法を提案する。
実験の結果, 擬似ラベルは, 異なる行動クラスタを効果的にモデル化し, 軌道予測を改善することがわかった。
提案するBP-SGCNは、歩行者(ETH/UCY, 歩行者専用SDD)と異種エージェントデータセット(SDD, Argoverse 1)の両方を用いた既存手法よりも優れている。
関連論文リスト
- Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis [1.8963583458350768]
本稿では,過去の軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。
階層的密度に基づくクラスタリングと組み合わされた変換器エンコーダを用いて、多様な行動パターンを自動的に識別する。
これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。
論文 参考訳（メタデータ） (2024-08-09T07:24:30Z) - SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。
本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
論文 参考訳（メタデータ） (2024-04-30T09:11:04Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳（メタデータ） (2022-03-09T21:08:47Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph
Convolutional Network for Multi-class Trajectory Prediction [9.238700679836855]
グラフ畳み込みニューラルネットワークにクラス情報を導入し、個人の軌道をより正確に予測する。
AADE(Average2 Displacement Error)とaFDE(Average Final Deplacement Error)と呼ばれる新しいメトリクスを提案する。
既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-08-10T15:02:50Z) - 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 Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z)
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。