論文の概要: Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment

• arxiv url: http://arxiv.org/abs/2503.17267v1
• Date: Fri, 21 Mar 2025 16:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:56:28.680452
• Title: Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment
• Title（参考訳）: 移動体を用いた身体的視認性を考慮した軌道予測
• Authors: Hiromu Taketsugu, Takeru Oba, Takahiro Maeda, Shohei Nobuhara, Norimichi Ukita,
• Abstract要約: 本稿では,物理法則に基づく移動生成による予測軌道の物理的妥当性を明示的に評価する枠組みを提案する。 提案手法は,多種多様なデータセットと問題設定にまたがって,最先端のHuman Trajectory Prediction (HTP) 手法さえも強化する。
• 参考スコア（独自算出の注目度）: 25.856562368454565
• License:
• Abstract: Humans can predict future human trajectories even from momentary observations by using human pose-related cues. However, previous Human Trajectory Prediction (HTP) methods leverage the pose cues implicitly, resulting in implausible predictions. To address this, we propose Locomotion Embodiment, a framework that explicitly evaluates the physical plausibility of the predicted trajectory by locomotion generation under the laws of physics. While the plausibility of locomotion is learned with an indifferentiable physics simulator, it is replaced by our differentiable Locomotion Value function to train an HTP network in a data-driven manner. In particular, our proposed Embodied Locomotion loss is beneficial for efficiently training a stochastic HTP network using multiple heads. Furthermore, the Locomotion Value filter is proposed to filter out implausible trajectories at inference. Experiments demonstrate that our method enhances even the state-of-the-art HTP methods across diverse datasets and problem settings. Our code is available at: https://github.com/ImIntheMiddle/EmLoco.
• Abstract（参考訳）: 人間は、人間のポーズに関連する手がかりを用いて、瞬間的な観察から将来の人間の軌道を予測することができる。 しかし、従来のHuman Trajectory Prediction (HTP) 手法は、ポーズキューを暗黙的に活用し、予測が不可能な結果となった。 そこで本研究では,ロコモーション・エボディメント(Locomotion Embodiment)という,物理法則に基づくロコモーション生成による予測軌道の物理的妥当性を明示的に評価するフレームワークを提案する。 移動の可否は、微分不可能な物理シミュレータで学習されるが、データ駆動型でHTPネットワークをトレーニングするために、我々の微分可能移動値関数に置き換えられる。 特に,本提案手法は,複数の頭部を用いた確率的HTPネットワークを効率的に訓練する上で有用である。 さらに,ロコモーション値フィルタを用いて,推定時の不明瞭な軌跡をフィルタリングする手法を提案する。 実験により,本手法は多様なデータセットや問題設定にまたがる最先端のHTP手法でさえも強化することを示した。 私たちのコードは、https://github.com/ImIntheMiddle/EmLoco.comで利用可能です。

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)
• DBHP: Trajectory Imputation in Multi-Agent Sports Using Derivative-Based Hybrid Prediction [17.634603536233975]
  本稿では,複数のエージェントの欠落した軌跡を効果的に説明できるDBHP(デリバティブベースハイブリッド予測)フレームワークを提案する。 我々のフレームワークは既存の計算基準を著しく上回っている。
  論文  参考訳（メタデータ） (2024-08-20T14:08:16Z)
• DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
  我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。 既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。 直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Humanoid Locomotion as Next Token Prediction [84.21335675130021]
  我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。 われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。 われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
  論文  参考訳（メタデータ） (2024-02-29T18:57:37Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• MSTFormer: Motion Inspired Spatial-temporal Transformer with Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
  MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。 軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。 第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。 第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
  論文  参考訳（メタデータ） (2023-03-21T02:11:37Z)
• 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)
• Learning to Predict Diverse Human Motions from a Single Image via Mixture Density Networks [9.06677862854201]
  本研究では,混合密度ネットワーク(MDN)モデルを用いて,単一画像から将来の人間の動きを予測する新しい手法を提案する。 MDNのマルチモーダルな性質は、既存のディープヒューマンモーション予測アプローチとは対照的に、様々な将来のモーション仮説の生成を可能にしている。 訓練されたモデルでは、入力として画像を直接取り、与えられた条件を満たす複数の可視運動を生成する。
  論文  参考訳（メタデータ） (2021-09-13T08:49:33Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。