Fugu-MT 論文翻訳(概要): Selective Social-Interaction via Individual Importance for Fast Human Trajectory Prediction

論文の概要: Selective Social-Interaction via Individual Importance for Fast Human Trajectory Prediction

arxiv url: http://arxiv.org/abs/2506.18291v1
Date: Mon, 23 Jun 2025 05:01:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-24 19:06:36.861662
Title: Selective Social-Interaction via Individual Importance for Fast Human Trajectory Prediction
Title（参考訳）: 高速な人的軌道予測のための個人的重要度による選択的社会的相互作用
Authors: Yota Urano, Hiromu Taketsugu, Norimichi Ukita,
Abstract要約: 本稿では、Importance Estimatorと呼ばれる人物選択モジュールを提案する。一次者の将来の軌跡を予測するために,各隣接する人物の重要性を出力する。 JRDBデータセットで行った実験から,本手法は競合予測精度でプロセスの高速化を図っている。
参考スコア（独自算出の注目度）: 12.363185535693276
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents an architecture for selecting important neighboring people to predict the primary person's trajectory. To achieve effective neighboring people selection, we propose a people selection module called the Importance Estimator which outputs the importance of each neighboring person for predicting the primary person's future trajectory. To prevent gradients from being blocked by non-differentiable operations when sampling surrounding people based on their importance, we employ the Gumbel Softmax for training. Experiments conducted on the JRDB dataset show that our method speeds up the process with competitive prediction accuracy.
Abstract（参考訳）: 本稿では, 近隣の重要人物を選別し, 主要人物の軌道を予測するためのアーキテクチャを提案する。そこで本研究では,近隣住民の選択を効果的に行うために,近隣住民の今後の行動を予測することの重要性を出力するImportance Estimatorという人選モジュールを提案する。本研究はGumbel Softmaxをトレーニング用として用いた。 JRDBデータセットで行った実験から,本手法は競合予測精度でプロセスの高速化を図っている。

関連論文リスト

PB$^2$: Preference Space Exploration via Population-Based Methods in Preference-Based Reinforcement Learning [2.0373030742807545]
我々は、この選好探索問題を人口ベース手法を用いて同定し、解決する。多様なエージェントの個体数を維持することで、より包括的な選好環境の探索が可能になることを実証する。この多様性は、明らかに区別可能な振る舞いを持つ嗜好クエリを生成することにより、報酬モデル学習を改善する。
論文参考訳（メタデータ） (2025-06-16T17:51:33Z)
Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
論文参考訳（メタデータ） (2023-12-22T01:48:09Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文参考訳（メタデータ） (2022-10-17T03:56:02Z)
What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文参考訳（メタデータ） (2022-06-13T21:31:06Z)
Models of human preference for learning reward functions [80.39289349661364]
そこで我々は,一対の軌跡区間間の人為的嗜好から報酬関数を学習する。この仮定に欠陥があることに気付き、各セグメントの後悔が示すように、人間の嗜好をモデル化することを提案する。提案した後悔の選好モデルは、実際の人間の選好をより良く予測し、また、これらの選好から報酬関数を学習し、より人道的な政策へと導く。
論文参考訳（メタデータ） (2022-06-05T17:58:02Z)
RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting [34.54878390622877]
本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
論文参考訳（メタデータ） (2021-08-03T06:30:30Z)
Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2021-07-14T09:05:33Z)
On complementing end-to-end human motion predictors with planning [31.025766804649464]
人間の運動予測のための高容量エンドツーエンドアプローチは、人間の行動における微妙なニュアンスを表現する能力を持つが、分布入力やテールイベントから外れた頑健さに苦しむ。一方、計画ベースの予測は、適切な予測を確実に出力できます。
論文参考訳（メタデータ） (2021-03-09T19:02:45Z)

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。