論文の概要: Hazy Pedestrian Trajectory Prediction via Physical Priors and Graph-Mamba

• arxiv url: http://arxiv.org/abs/2509.24020v1
• Date: Sun, 28 Sep 2025 18:29:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.594298
• Title: Hazy Pedestrian Trajectory Prediction via Physical Priors and Graph-Mamba
• Title（参考訳）: 物理プライオリティとグラフマンバによる有害歩行者軌道予測
• Authors: Jian Chen, Zhuoran Zheng, Han Hu, Guijuan Zhang, Dianjie Lu, Liang Li, Chen Lyu,
• Abstract要約: 本研究では,大気散乱の物理的先行と歩行者関係のトポロジ的モデリングを組み合わせた深層学習モデルを提案する。 本手法は, 密集ヘイズシナリオにおけるSOTAモデルと比較して, minADE/minFDEメトリクスを37.2%, 41.5%削減する。
• 参考スコア（独自算出の注目度）: 23.886173346851123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the issues of physical information degradation and ineffective pedestrian interaction modeling in pedestrian trajectory prediction under hazy weather conditions, we propose a deep learning model that combines physical priors of atmospheric scattering with topological modeling of pedestrian relationships. Specifically, we first construct a differentiable atmospheric scattering model that decouples haze concentration from light degradation through a network with physical parameter estimation, enabling the learning of haze-mitigated feature representations. Second, we design an adaptive scanning state space model for feature extraction. Our adaptive Mamba variant achieves a 78% inference speed increase over native Mamba while preserving long-range dependency modeling. Finally, to efficiently model pedestrian relationships, we develop a heterogeneous graph attention network, using graph matrices to model multi-granularity interactions between pedestrians and groups, combined with a spatio-temporal fusion module to capture the collaborative evolution patterns of pedestrian movements. Furthermore, we constructed a new pedestrian trajectory prediction dataset based on ETH/UCY to evaluate the effectiveness of the proposed method. Experiments show that our method reduces the minADE / minFDE metrics by 37.2% and 41.5%, respectively, compared to the SOTA models in dense haze scenarios (visibility < 30m), providing a new modeling paradigm for reliable perception in intelligent transportation systems in adverse environments.
• Abstract（参考訳）: 気象条件下での歩行者軌道予測における物理的情報劣化と非効率的な歩行者相互作用モデルの問題に対処するため,大気散乱の物理的先行と歩行者関係のトポロジ的モデリングを組み合わせた深層学習モデルを提案する。 具体的には、まず、物理的パラメータ推定を伴うネットワークを通じて、光劣化からヘイズ濃度を分離する微分可能な大気散乱モデルを構築し、ヘイズ緩和された特徴表現の学習を可能にする。 次に,特徴抽出のための適応走査状態空間モデルを設計する。 我々の適応的マンバ変種は、長距離依存性モデリングを保ちながら、ネイティブなマンバよりも78%の推論速度の向上を実現している。 最後に、歩行者関係を効率的にモデル化するために、歩行者とグループ間の多粒性相互作用をモデル化するためのグラフ行列を用いた異種グラフ注意ネットワークを構築し、時空間融合モジュールと組み合わせて歩行者運動の協調的進化パターンを捉える。 さらに,提案手法の有効性を評価するため,ETH/UCYに基づく新たな歩行者軌道予測データセットを構築した。 実験により, 密集型ヘイズシナリオにおけるSOTAモデル(視認率30m)と比較して, minADE/minFDEの指標を37.2%, 41.5%削減し, 有害環境下でのインテリジェント輸送システムの信頼性評価のための新しいモデルパラダイムを提供する。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Towards detailed and interpretable hybrid modeling of continental-scale bird migration [9.887133861477231]
  我々は最近開発された大陸規模の鳥の移動のハイブリッドモデルを構築し、流体力学にインスパイアされた運動モデルと繰り返しニューラルネットワークを組み合わせる。 F FluxRGNNは、重要なマイグレーションパターンの予測に成功しているが、その空間分解能は、気象レーダーから得られる典型的な希薄な観測によって制限されている。 本稿では,モデルコンポーネントの解釈可能性の制御を提供しながら,望まれるテッセル化に関するより詳細な予測を可能にする2つの大きな修正を提案する。
  論文  参考訳（メタデータ） (2024-07-14T15:52:19Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Inference from Real-World Sparse Measurements [21.194357028394226]
  実世界の問題は、しばしば複雑で非構造的な測定セットが伴うが、これはセンサーが空間または時間に狭く配置されているときに起こる。 セットからセットまで様々な位置で測定セットを処理し、どこででも読み出しを抽出できるディープラーニングアーキテクチャは、方法論的に困難である。 本稿では,適用性と実用的堅牢性に着目したアテンションベースモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:42:20Z)
• Graph-based Normalizing Flow for Human Motion Generation and Reconstruction [20.454140530081183]
  過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。 足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
  論文  参考訳（メタデータ） (2021-04-07T09:51:15Z)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
  本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。 この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。 また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-12T15:51:01Z)
• 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)

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。