論文の概要: Trajectory prediction for heterogeneous agents: A performance analysis on small and imbalanced datasets

• arxiv url: http://arxiv.org/abs/2510.03776v1
• Date: Sat, 04 Oct 2025 11:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.246659
• Title: Trajectory prediction for heterogeneous agents: A performance analysis on small and imbalanced datasets
• Title（参考訳）: 異種エージェントの軌道予測:小・不均衡データセットの性能解析
• Authors: Tiago Rodrigues de Almeida, Yufei Zhu, Andrey Rudenko, Tomasz P. Kucner, Johannes A. Stork, Martin Magnusson, Achim J. Lilienthal,
• Abstract要約: クラス条件の軌道予測は、予測の不確実性を低減し、より正確な予測を得るための魅力的な方法である。 これは以前の技術、特にモバイルロボットや限られたデータアプリケーションではほとんど研究されていない。 本稿では,条件付きパターンに基づく効率的なディープラーニングベースラインを提案するとともに,ロボットや屋外データセット上での性能評価を行う。
• 参考スコア（独自算出の注目度）: 11.00008290019651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots and other intelligent systems navigating in complex dynamic environments should predict future actions and intentions of surrounding agents to reach their goals efficiently and avoid collisions. The dynamics of those agents strongly depends on their tasks, roles, or observable labels. Class-conditioned motion prediction is thus an appealing way to reduce forecast uncertainty and get more accurate predictions for heterogeneous agents. However, this is hardly explored in the prior art, especially for mobile robots and in limited data applications. In this paper, we analyse different class-conditioned trajectory prediction methods on two datasets. We propose a set of conditional pattern-based and efficient deep learning-based baselines, and evaluate their performance on robotics and outdoors datasets (TH\"OR-MAGNI and Stanford Drone Dataset). Our experiments show that all methods improve accuracy in most of the settings when considering class labels. More importantly, we observe that there are significant differences when learning from imbalanced datasets, or in new environments where sufficient data is not available. In particular, we find that deep learning methods perform better on balanced datasets, but in applications with limited data, e.g., cold start of a robot in a new environment, or imbalanced classes, pattern-based methods may be preferable.
• Abstract（参考訳）: 複雑な動的環境をナビゲートするロボットや他のインテリジェントシステムは、周囲のエージェントが効率的に目標を達成するための将来の行動や意図を予測し、衝突を避ける必要がある。 これらのエージェントのダイナミクスは、そのタスク、役割、または観測可能なラベルに強く依存する。 したがって、クラス条件の運動予測は、予測の不確実性を低減し、異種エージェントのより正確な予測を得るための魅力的な方法である。 しかし、これは以前の技術、特にモバイルロボットや限られたデータアプリケーションではほとんど研究されていない。 本稿では,異なるクラス条件の軌道予測手法を2つのデータセット上で解析する。 本研究では,条件付きパターンに基づく効率的なディープラーニングベースラインを提案するとともに,ロボットと屋外データセット(TH\,OR-MAGNI,Stanford Drone Dataset)の性能評価を行う。 実験の結果,全ての手法がクラスラベルを考慮した場合,ほとんどの設定において精度を向上させることがわかった。 さらに重要なのは、不均衡なデータセットから学ぶ場合や、十分なデータが得られない新しい環境では、大きな違いがあることです。 特に、ディープラーニング手法は、バランスの取れたデータセットでより良い性能を発揮するが、新しい環境でのロボットのコールドスタートや不均衡なクラスなど、限られたデータを持つアプリケーションでは、パターンベースの手法が好まれる。

関連論文リスト

• What Matters in Learning from Large-Scale Datasets for Robot Manipulation [12.703188997313223]
  我々はこの質問に答えるために大規模なデータセット合成研究を行っている。 既存のデータセットの多様性の共通源を手続き的にエミュレートするデータ生成フレームワークを開発した。 カメラのポーズや空間配置は、収集における多様性と検索におけるアライメントの両方にとって重要な次元であることがわかった。
  論文  参考訳（メタデータ） (2025-06-16T14:25:29Z)
• Collaborative Prediction: To Join or To Disjoin Datasets [5.9697789282446605]
  人口減少を最小限に抑えるために適切なデータセットを選択する実用的なアルゴリズムを開発することの課題について検討する。 オラクルの不等式とデータ駆動推定器を活用することにより、アルゴリズムは高い確率で人口減少を低減する。
  論文  参考訳（メタデータ） (2025-06-12T20:25:07Z)
• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• Sample Efficient Robot Learning in Supervised Effect Prediction Tasks [0.0]
  MUSEL(Model Uncertainty for Sample-Efficient Learning)は、ロボット工学における回帰タスクに適した新しいALフレームワークである。 MUSELは学習精度とサンプル効率を両立させ,情報的サンプルを選択する学習行動効果の有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-03T09:48:28Z)
• Semi-Supervised Neural Processes for Articulated Object Interactions [10.847409934374205]
  本稿では,少数のオブジェクトのみにラベル付きインタラクションデータが存在するシナリオを対象とした適応型報酬予測モデルであるSemi-Supervised Neural Process (SSNP)を紹介する。 両方のタイプのデータを共同でトレーニングすることで、モデルはより効果的に一般化可能な機能に集中することができる。 SSNPの有効性は、ドアオープンタスクを通じて示され、他の半教師付き手法よりも優れた性能を示し、他の適応型モデルと比較して、わずかなデータしか使用しない。
  論文  参考訳（メタデータ） (2024-11-28T21:20:06Z)
• Efficient Data Collection for Robotic Manipulation via Compositional Generalization [70.76782930312746]
  本研究では, 環境要因をデータから構成し, 未確認の要因の組み合わせに遭遇した場合に成功できることを示す。 コンポジションを利用したドメイン内データ収集手法を提案する。 ビデオはhttp://iliad.stanford.edu/robot-data-comp/で公開しています。
  論文  参考訳（メタデータ） (2024-03-08T07:15:38Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data [37.176411554794214]
  人間の動きに関する推論は、安全で社会的に認識されたロボットナビゲーションにとって重要な前提条件である。 我々は,多種多様なエージェントの軌道を予測できるモジュール型グラフ構造化リカレントモデルであるTrajectron++を提案する。 実世界の軌道予測データセットにおいて,その性能を実証する。
  論文  参考訳（メタデータ） (2020-01-09T16:47:17Z)

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。