論文の概要: Homotopic information gain for sparse active target tracking

• arxiv url: http://arxiv.org/abs/2602.17926v1
• Date: Fri, 20 Feb 2026 01:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.590427
• Title: Homotopic information gain for sparse active target tracking
• Title（参考訳）: スパースアクティブターゲットトラッキングのためのホモトピック情報ゲイン
• Authors: Jennifer Wakulicz, Ki Myung Brian Lee, Teresa Vidal-Calleja, Robert Fitch,
• Abstract要約: 本稿では,対象のホモトピークラスに関する情報を最大化するための計画手法を提案する。 ホモトピー情報ゲインは,距離情報ゲインや低レベル情報ゲインの低い境界であり,障害物のように環境に分散していることを示す。
• 参考スコア（独自算出の注目度）: 10.71610316323851
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The problem of planning sensing trajectories for a mobile robot to collect observations of a target and predict its future trajectory is known as active target tracking. Enabled by probabilistic motion models, one may solve this problem by exploring the belief space of all trajectory predictions given future sensing actions to maximise information gain. However, for multi-modal motion models the notion of information gain is often ill-defined. This paper proposes a planning approach designed around maximising information regarding the target's homotopy class, or high-level motion. We introduce homotopic information gain, a measure of the expected high-level trajectory information given by a measurement. We show that homotopic information gain is a lower bound for metric or low-level information gain, and is as sparsely distributed in the environment as obstacles are. Planning sensing trajectories to maximise homotopic information results in highly accurate trajectory estimates with fewer measurements than a metric information approach, as supported by our empirical evaluation on real and simulated pedestrian data.
• Abstract（参考訳）: 移動ロボットが目標の観測を収集し、その将来の軌道を予測するための検知軌道を計画する問題は、アクティブな目標追跡として知られている。 確率的運動モデルによって可能とされ、情報ゲインを最大化するために、将来の知覚行動に与えられた全ての軌道予測の信念空間を探索することで、この問題を解決することができる。 しかし、マルチモーダルモーションモデルでは、情報ゲインの概念はしばしば不定義である。 本稿では,対象のホモトピークラスやハイレベルモーションに関する情報を最大化することを目的とした計画手法を提案する。 本稿では,測定値から得られる高次軌道情報の期待値であるホモトピー情報ゲインを紹介する。 ホモトピー情報ゲインは,距離情報ゲインや低レベル情報ゲインの低い境界であり,障害物のように環境に分散していることを示す。 ホモトピー情報を最大化するための軌跡検出の計画は、実際の歩行者データとシミュレーションされた歩行者データに対する経験的評価に支えられ、計量情報アプローチよりも測定の少ない高精度な軌跡推定を導出する。

関連論文リスト

• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• Foresight in Motion: Reinforcing Trajectory Prediction with Reward Heuristics [34.570579623171476]
  The First Reasoning, Then Forecasting”は、行動意図を軌道予測のための空間的ガイダンスとして明示的に組み込む戦略である。 本稿では,新しいクエリ中心の逆強化学習方式を基礎とした,解釈可能な報酬駆動型意図推論手法を提案する。 提案手法は軌道予測の信頼性を著しく向上させ,最先端手法と比較して高い競争性能を実現する。
  論文  参考訳（メタデータ） (2025-07-16T09:46:17Z)
• 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)
• DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction [8.25651323214656]
  時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。 提案手法は,各種メトリクスの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-11T12:41:32Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Diffusion Models for Multi-target Adversarial Tracking [0.49157446832511503]
  標的追跡は現実世界のシナリオ、特に薬物輸送の対話において重要な役割を担っている。 無人ドローンの普及に伴い、安全と安全のためには正確な自律目標推定がさらに重要である。 本稿では、敵位置の包括的予測を生成するアプローチであるCADENCE(Constrained Agent-based Diffusion for Enhanced Multi-Agent Tracking)を提案する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:39Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)

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。