論文の概要: UPTor: Unified 3D Human Pose Dynamics and Trajectory Prediction for Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2505.14866v1
• Date: Tue, 20 May 2025 19:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.726196
• Title: UPTor: Unified 3D Human Pose Dynamics and Trajectory Prediction for Human-Robot Interaction
• Title（参考訳）: UPTor:人間とロボットのインタラクションのための統一された3次元姿勢ダイナミクスと軌道予測
• Authors: Nisarga Nilavadi, Andrey Rudenko, Timm Linder,
• Abstract要約: 本研究では,グローバル座標フレームにおける全体ポーズと軌道キーポイントの予測手法を提案する。 我々は、市販の3次元ポーズ推定モジュール、グラフアテンションネットワーク、コンパクトで非自己回帰的なトランスフォーマーを使用する。 従来の研究と比較して、我々のアプローチはコンパクトでリアルタイムであり、全てのデータセットにわたる人間のナビゲーション動作を予測する上で正確であることを示す。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a unified approach to forecast the dynamics of human keypoints along with the motion trajectory based on a short sequence of input poses. While many studies address either full-body pose prediction or motion trajectory prediction, only a few attempt to merge them. We propose a motion transformation technique to simultaneously predict full-body pose and trajectory key-points in a global coordinate frame. We utilize an off-the-shelf 3D human pose estimation module, a graph attention network to encode the skeleton structure, and a compact, non-autoregressive transformer suitable for real-time motion prediction for human-robot interaction and human-aware navigation. We introduce a human navigation dataset ``DARKO'' with specific focus on navigational activities that are relevant for human-aware mobile robot navigation. We perform extensive evaluation on Human3.6M, CMU-Mocap, and our DARKO dataset. In comparison to prior work, we show that our approach is compact, real-time, and accurate in predicting human navigation motion across all datasets. Result animations, our dataset, and code will be available at https://nisarganc.github.io/UPTor-page/
• Abstract（参考訳）: 本稿では,入力ポーズの短いシーケンスに基づいて,人間のキーポイントのダイナミクスと運動軌跡を予測するための統一的なアプローチを提案する。 多くの研究は、全身のポーズの予測または運動軌道の予測に対処するが、それらをマージしようとする試みはわずかである。 グローバル座標フレームにおける全体ポーズと軌道キーポイントを同時に予測する動き変換手法を提案する。 既製の3次元ポーズ推定モジュールと,その骨格構造を符号化するグラフアテンションネットワークと,人間とロボットの対話や人間と認識するナビゲーションのリアルタイムな動作予測に適した,コンパクトで非自律的なトランスフォーマーを利用する。 本研究では,人間を意識した移動ロボットナビゲーションに関係のあるナビゲーション活動に焦点を当てたナビゲーションデータセット「DARKO」を紹介する。 我々は,Human3.6M,CMU-Mocap,DARKOデータセットについて広範囲に評価を行った。 従来の研究と比較して、我々のアプローチはコンパクトでリアルタイムであり、全てのデータセットにわたる人間のナビゲーション動作を予測する上で正確であることを示す。 結果のアニメーション、データセット、コードはhttps://nisarganc.github.io/UPTor-page/で公開されます。

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)
• CoNav: A Benchmark for Human-Centered Collaborative Navigation [66.6268966718022]
  協調ナビゲーション(CoNav)ベンチマークを提案する。 われわれのCoNavは、現実的で多様な人間の活動を伴う3Dナビゲーション環境を構築するという重要な課題に取り組む。 本研究では,長期的意図と短期的意図の両方を推論する意図認識エージェントを提案する。
  論文  参考訳（メタデータ） (2024-06-04T15:44:25Z)
• 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)
• Robots That Can See: Leveraging Human Pose for Trajectory Prediction [30.919756497223343]
  本研究では,人間中心環境における未来の軌道を予測するためのトランスフォーマーアーキテクチャを提案する。 結果として得られたモデルは、将来の人間の軌道予測に固有の不確実性を捉えている。 我々は,限られた履歴データを持つ新しいエージェントを誤りの主な要因として同定し,予測誤差を低減するために3次元骨格ポーズの相補的な性質を実証する。
  論文  参考訳（メタデータ） (2023-09-29T13:02:56Z)
• Multi-Person 3D Motion Prediction with Multi-Range Transformers [16.62864429495888]
  本稿では,個人動作のためのローカルレンジエンコーダと,ソーシャルインタラクションのためのグローバルレンジエンコーダを含むマルチランジトランスフォーマーモデルを提案する。 我々のモデルは、長期3次元動作予測における最先端の手法に勝るだけでなく、多様な社会的相互作用も生み出す。
  論文  参考訳（メタデータ） (2021-11-23T18:41:13Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Learning Multiscale Correlations for Human Motion Prediction [10.335804615372629]
  本研究では、人体成分間の相関を捕捉する新しいマルチスケールグラフ畳み込みネットワーク(MGCN)を提案する。 ヒューマンモーション予測のための2つの標準ベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-03-19T07:58:16Z)

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。