論文の概要: Continuous Locomotive Crowd Behavior Generation

• arxiv url: http://arxiv.org/abs/2504.04756v1
• Date: Mon, 07 Apr 2025 06:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:06.875998
• Title: Continuous Locomotive Crowd Behavior Generation
• Title（参考訳）: 連続ロコモティブな集団行動生成
• Authors: Inhwan Bae, Junoh Lee, Hae-Gon Jeon,
• Abstract要約: 本研究では,不均一な行動や相互作用を伴う連続的,現実的な群集軌道を自動生成する新しい手法を提案する。 提案手法は, 多様な集団行動パターンを効果的にモデル化し, 地理的に異なる環境にまたがってよく一般化できることを実証する。
• 参考スコア（独自算出の注目度）: 23.45902601618188
• License:
• Abstract: Modeling and reproducing crowd behaviors are important in various domains including psychology, robotics, transport engineering and virtual environments. Conventional methods have focused on synthesizing momentary scenes, which have difficulty in replicating the continuous nature of real-world crowds. In this paper, we introduce a novel method for automatically generating continuous, realistic crowd trajectories with heterogeneous behaviors and interactions among individuals. We first design a crowd emitter model. To do this, we obtain spatial layouts from single input images, including a segmentation map, appearance map, population density map and population probability, prior to crowd generation. The emitter then continually places individuals on the timeline by assigning independent behavior characteristics such as agents' type, pace, and start/end positions using diffusion models. Next, our crowd simulator produces their long-term locomotions. To simulate diverse actions, it can augment their behaviors based on a Markov chain. As a result, our overall framework populates the scenes with heterogeneous crowd behaviors by alternating between the proposed emitter and simulator. Note that all the components in the proposed framework are user-controllable. Lastly, we propose a benchmark protocol to evaluate the realism and quality of the generated crowds in terms of the scene-level population dynamics and the individual-level trajectory accuracy. We demonstrate that our approach effectively models diverse crowd behavior patterns and generalizes well across different geographical environments. Code is publicly available at https://github.com/InhwanBae/CrowdES .
• Abstract（参考訳）: 群衆行動のモデル化と再現は、心理学、ロボット工学、輸送工学、仮想環境など様々な分野において重要である。 従来の手法では、現実世界の群衆の継続的な性質を再現することが困難である瞬間シーンの合成に重点を置いてきた。 本稿では,不均一な行動や個人間の相互作用を伴う連続的,現実的な群集軌跡の自動生成手法を提案する。 私たちはまず、クラウドエミッターモデルを設計します。 そこで我々は,群集発生前の単一入力画像から,セグメンテーションマップ,外観マップ,人口密度マップ,人口確率などの空間的レイアウトを求める。 その後、エージェントのタイプ、ペース、開始/終了位置などの独立した行動特性を拡散モデルを用いて割り当てることで、個人をタイムライン上に継続的に配置する。 次に,群集シミュレーターを用いて長期移動を再現する。 多様な行動をシミュレートするために、マルコフ連鎖に基づいて行動を強化することができる。 その結果,提案するエミッタとシミュレータを交互に組み合わせることで,不均一な群集行動でシーンを再現する。 提案されているフレームワークのすべてのコンポーネントは、ユーザ制御可能であることに注意してください。 最後に、シーンレベルの人口動態と個人レベルの軌道精度の観点から、生成した群衆の現実性と品質を評価するためのベンチマークプロトコルを提案する。 提案手法は, 多様な集団行動パターンを効果的にモデル化し, 地理的に異なる環境にまたがってよく一般化できることを実証する。 コードはhttps://github.com/InhwanBae/CrowdESで公開されている。

関連論文リスト

• Learning to Generate Diverse Pedestrian Movements from Web Videos with Noisy Labels [59.322951972876716]
  PedGenは、Webビデオから多様な歩行者の動きを学ぶための生成モデルである。 PedGenはノイズの多いラベルから学び、コンテキストファクターを組み込む。 実世界とシミュレーション環境の両方においてゼロショットの一般化を実現する。
  論文  参考訳（メタデータ） (2024-10-10T00:25:17Z)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
  本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。 STARフレームワークは、行動対応を捉えるために様々な時間グラフを設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
  論文  参考訳（メタデータ） (2023-06-15T11:47:45Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
  入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。 人口動態の説明と予測のためのモデルの適用性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T12:30:43Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Graph2Kernel Grid-LSTM: A Multi-Cued Model for Pedestrian Trajectory Prediction by Learning Adaptive Neighborhoods [10.57164270098353]
  本稿では,歩行者地区がデザインに適応しうることを提案することによって,インタラクションモデリングの新しい視点を示す。 我々のモデルは、いくつかの公開テストされた監視ビデオに類似した特徴を照合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-07-03T19:05:48Z)
• DAG-Net: Double Attentive Graph Neural Network for Trajectory Forecasting [31.77814227034554]
  本稿では,単一エージェントの将来の目標と異なるエージェント間の相互作用を考慮に入れた新たな反復生成モデルを提案する。 このモデルは、二重注意に基づくグラフニューラルネットワークを利用して、異なるエージェント間の相互影響に関する情報を収集する。 提案手法は,都市環境とスポーツの両分野において,最先端の成果を得られるモデルである。
  論文  参考訳（メタデータ） (2020-05-26T12:34:20Z)
• CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation [12.580809204729583]
  グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。 提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
  論文  参考訳（メタデータ） (2020-05-02T09:10:30Z)

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。