論文の概要: ECAM: A Contrastive Learning Approach to Avoid Environmental Collision in Trajectory Forecasting

• arxiv url: http://arxiv.org/abs/2506.09626v1
• Date: Wed, 11 Jun 2025 11:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.887573
• Title: ECAM: A Contrastive Learning Approach to Avoid Environmental Collision in Trajectory Forecasting
• Title（参考訳）: ECAM:軌道予測における環境衝突回避のための対照的な学習手法
• Authors: Giacomo Rosin, Muhammad Rameez Ur Rahman, Sebastiano Vascon,
• Abstract要約: 本稿では,環境との衝突回避能力を高めるためのコントラスト学習モジュールECAMを紹介する。 提案モジュールは既存の軌道予測モデルに統合することができ、衝突のない予測を生成する能力を向上させることができる。 実験の結果,提案モジュールと一体化した場合の衝突速度は,最先端手法により著しく低下することがわかった。
• 参考スコア（独自算出の注目度）: 2.0195517740356808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human trajectory forecasting is crucial in applications such as autonomous driving, robotics and surveillance. Accurate forecasting requires models to consider various factors, including social interactions, multi-modal predictions, pedestrian intention and environmental context. While existing methods account for these factors, they often overlook the impact of the environment, which leads to collisions with obstacles. This paper introduces ECAM (Environmental Collision Avoidance Module), a contrastive learning-based module to enhance collision avoidance ability with the environment. The proposed module can be integrated into existing trajectory forecasting models, improving their ability to generate collision-free predictions. We evaluate our method on the ETH/UCY dataset and quantitatively and qualitatively demonstrate its collision avoidance capabilities. Our experiments show that state-of-the-art methods significantly reduce (-40/50%) the collision rate when integrated with the proposed module. The code is available at https://github.com/CVML-CFU/ECAM.
• Abstract（参考訳）: 人間の軌道予測は、自律運転、ロボット工学、監視などの応用において重要である。 正確な予測には、社会的相互作用、マルチモーダルな予測、歩行者の意図、環境状況など、さまざまな要因を考慮するモデルが必要である。 既存の手法はこれらの要因を説明できるが、環境の影響を見落とし、障害物と衝突する。 本稿では,環境との衝突回避能力を高めるための対照的な学習モジュールであるECAM(Environmental Collision Avoidance Module)を紹介する。 提案モジュールは既存の軌道予測モデルに統合することができ、衝突のない予測を生成する能力を向上させることができる。 本手法はETH/UCYデータセット上で評価し,衝突回避能力を定量的に定性的に示す。 実験の結果,提案モジュールと一体化した場合の衝突速度は,最先端手法により著しく低下することがわかった。 コードはhttps://github.com/CVML-CFU/ECAMで公開されている。

関連論文リスト

• STRIDE: Street View-based Environmental Feature Detection and Pedestrian Collision Prediction [1.002773173311891]
  本研究では,大規模なパノラマ画像に構築された環境検知タスクと,歩行者衝突頻度予測タスクを導入する。 本実験は,建築環境要素の物体検出と歩行者衝突頻度予測との間に有意な相関関係を示す。
  論文  参考訳（メタデータ） (2023-08-25T05:25:01Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• Benchmark for Models Predicting Human Behavior in Gap Acceptance Scenarios [4.801975818473341]
  我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。 次に、このフレームワークを最先端の予測モデルに適用する。
  論文  参考訳（メタデータ） (2022-11-10T09:59:38Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• Domain Knowledge Driven Pseudo Labels for Interpretable Goal-Conditioned Interactive Trajectory Prediction [29.701029725302586]
  目標条件付きフレームワークを用いた共同軌道予測問題について検討する。 本研究では,条件付き変分自動エンコーダ(CVAE)モデルを導入し,異なる相互作用モードを潜在空間に明示的にエンコードする。 KLの消滅を回避する新しい手法を提案し、擬似ラベルを用いた解釈可能な対話型潜在空間を誘導する。
  論文  参考訳（メタデータ） (2022-03-28T21:41:21Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。