論文の概要: Trustworthy Pedestrian Trajectory Prediction via Pattern-Aware Interaction Modeling

• arxiv url: http://arxiv.org/abs/2507.13397v2
• Date: Fri, 08 Aug 2025 04:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 18:31:47.154678
• Title: Trustworthy Pedestrian Trajectory Prediction via Pattern-Aware Interaction Modeling
• Title（参考訳）: パターン認識相互作用モデリングによる信頼できる歩行者軌道予測
• Authors: Kaiyuan Zhai, Juan Chen, Chao Wang, Zeyi Xu, Guoming Tang,
• Abstract要約: InSynはTransformerベースの新しいモデルで、多様なインタラクションパターンをキャプチャする。 SSOSは、数値時系列予測における初期段階のばらつきの一般的な問題を緩和する訓練戦略である。
• 参考スコア（独自算出の注目度）: 7.818805084618764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and reliable pedestrian trajectory prediction is critical for the safety and robustness of intelligent applications, yet achieving trustworthy prediction remains highly challenging due to the complexity of interactions among pedestrians. Previous methods often adopt black-box modeling of pedestrian interactions, treating all neighbors uniformly. Despite their strong performance, such opaque modeling limits the reliability of predictions in safety-critical real-world deployments. To address this issue, we propose InSyn (Interaction-Synchronization Network), a novel Transformer-based model that explicitly captures diverse interaction patterns (e.g., walking in sync or conflicting) while effectively modeling direction-sensitive social behaviors. Additionally, we introduce a training strategy, termed Seq-Start of Seq (SSOS), designed to alleviate the common issue of initial-step divergence in numerical time-series prediction. Experiments on the ETH and UCY datasets demonstrate that our model not only outperforms recent black-box baselines in prediction accuracy, especially under high-density scenarios, but also provides stronger interpretability, achieving a favorable trade-off between reliability and accuracy. Furthermore, the SSOS strategy proves to be effective in improving sequential prediction performance, reducing the initial-step prediction error by approximately 6.58%.
• Abstract（参考訳）: 正確で信頼性の高い歩行者軌道予測は、インテリジェントなアプリケーションの安全性と堅牢性にとって重要であるが、歩行者間の相互作用が複雑になるため、信頼性の高い予測を実現することは極めて困難である。 以前の手法では、歩行者同士の相互作用をブラックボックスでモデル化し、近隣住民を均一に扱うことが多かった。 高いパフォーマンスにもかかわらず、そのような不透明なモデリングは、安全クリティカルな現実世界のデプロイメントにおける予測の信頼性を制限する。 InSyn(Interaction-Synchronization Network, 対話同期ネットワーク)は, 多様なインタラクションパターン(例えば, 歩きながらの同期, 衝突など)を明示的に捉えつつ, 方向性に敏感な社会的行動を効果的にモデル化する, トランスフォーマーに基づく新しいモデルである。 さらに,Seq-Start of Seq (SSOS) と呼ばれるトレーニング戦略を導入し,数値時系列予測における初期段階のばらつきの共通問題を緩和する。 ETHデータセットとUCYデータセットの実験により、我々のモデルは、特に高密度シナリオにおいて、予測精度において最近のブラックボックスベースラインを上回るだけでなく、より強力な解釈可能性を提供し、信頼性と精度のトレードオフを良好に達成することを示した。 さらに、SSOS戦略は逐次予測性能の向上に有効であることが証明され、初期ステップ予測誤差を約6.58%削減した。

関連論文リスト

• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Socially-Informed Reconstruction for Pedestrian Trajectory Forecasting [21.369444387333218]
  条件付き変分オートエンコーダに基づく軌道予測モジュールとともに再構成器を用いるモデルを提案する。 このモジュールは擬似トラジェクトリを生成し、トレーニングプロセス全体を通して拡張として使用します。 このモデルをさらに社会意識に導くために,より安定した軌道予測を支援する新たな社会的損失を提案する。
  論文  参考訳（メタデータ） (2024-12-05T23:54:06Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
  群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
  論文  参考訳（メタデータ） (2022-09-25T15:18:56Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder [14.05141917351931]
  マルチモーダル軌道予測のための条件付き変分自動エンコーダ(Social-DualCVAE)を提案する。 これは、過去の軌跡だけでなく、教師なしの相互作用パターンの分類にもとづく生成モデルに基づいている。 提案手法は,広く用いられているトラジェクトリ・ベンチマークで評価され,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-08T16:04:47Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction [5.346782918364054]
  我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。 従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。 本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-03-16T12:56:12Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。