論文の概要: Uncertainty-aware Probabilistic 3D Human Motion Forecasting via Invertible Networks

• arxiv url: http://arxiv.org/abs/2507.14694v1
• Date: Sat, 19 Jul 2025 17:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.009599
• Title: Uncertainty-aware Probabilistic 3D Human Motion Forecasting via Invertible Networks
• Title（参考訳）: 可逆ネットワークによる不確実性を考慮した確率的3次元動作予測
• Authors: Yue Ma, Kanglei Zhou, Fuyang Yu, Frederick W. B. Li, Xiaohui Liang,
• Abstract要約: 人間の3D動作予測は、自律的なアプリケーションの実現を目的としている。 本稿では,不整合空間におけるポーズをパラメータ化するための非可逆ネットワークを導入したProbHMIを提案する。 予測モジュールは将来の潜伏分布を明示的に予測し、効果的な不確実性定量化を可能にする。
• 参考スコア（独自算出の注目度）: 6.671593490919892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D human motion forecasting aims to enable autonomous applications. Estimating uncertainty for each prediction (i.e., confidence based on probability density or quantile) is essential for safety-critical contexts like human-robot collaboration to minimize risks. However, existing diverse motion forecasting approaches struggle with uncertainty quantification due to implicit probabilistic representations hindering uncertainty modeling. We propose ProbHMI, which introduces invertible networks to parameterize poses in a disentangled latent space, enabling probabilistic dynamics modeling. A forecasting module then explicitly predicts future latent distributions, allowing effective uncertainty quantification. Evaluated on benchmarks, ProbHMI achieves strong performance for both deterministic and diverse prediction while validating uncertainty calibration, critical for risk-aware decision making.
• Abstract（参考訳）: 人間の3D動作予測は、自律的なアプリケーションの実現を目的としている。 各予測の不確実性(すなわち確率密度や量子化に基づく信頼度)を推定することは、リスクを最小限に抑えるために人間とロボットのコラボレーションのような安全クリティカルな文脈に不可欠である。 しかし、既存の多様な動き予測手法は、不確実性モデリングを妨げる暗黙の確率的表現のために不確実性定量化に苦慮している。 本稿では,非可逆ネットワークを導入し,乱交空間内のポーズをパラメータ化し,確率的ダイナミクスモデリングを可能にするProbHMIを提案する。 予測モジュールは将来の潜伏分布を明示的に予測し、効果的な不確実性定量化を可能にする。 ProbHMIは、ベンチマークに基づいて評価され、決定論的かつ多様な予測と不確実性のキャリブレーションを検証しながら、リスクを意識した意思決定に重要なパフォーマンスを達成する。

関連論文リスト

• Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
  本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。 情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。 従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
  論文  参考訳（メタデータ） (2024-10-02T15:02:32Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
  時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。 これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。 クリーン音声推定における不確実性モデリングの利点について検討する。
  論文  参考訳（メタデータ） (2023-05-15T15:55:12Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Uncertainty-aware Human Motion Prediction [0.4568777157687961]
  人間の動作予測のための不確実性認識フレームワーク(UA-HMP)を提案する。 まず,ガウスモデルを用いて不確実性を考慮した予測器を設計し,予測動作の価値と不確実性を実現する。 そこで, 不確実性を定量化し, ノイズサンプルの負の効果を低減するために, 不確実性誘導学習方式を提案する。
  論文  参考訳（メタデータ） (2021-07-08T03:09:01Z)

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。