論文の概要: Robust Human Trajectory Prediction via Self-Supervised Skeleton Representation Learning

• arxiv url: http://arxiv.org/abs/2602.22791v1
• Date: Thu, 26 Feb 2026 09:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.62142
• Title: Robust Human Trajectory Prediction via Self-Supervised Skeleton Representation Learning
• Title（参考訳）: 自己教師付き骨格表現学習によるロバストな人軌道予測
• Authors: Taishu Arashima, Hiroshi Kera, Kazuhiko Kawamoto,
• Abstract要約: マスク付き自動符号化で事前訓練した自己教師付き骨格表現モデルを組み込んだ頑健な軌道予測手法を提案する。 実験結果から, 本手法は, 予測精度を犠牲にすることなく, 骨格不自由データに対するロバスト性を向上し, クリーン・モデレートの欠損状態において, ベースラインモデルより一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 12.961180148172199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory prediction plays a crucial role in applications such as autonomous navigation and video surveillance. While recent works have explored the integration of human skeleton sequences to complement trajectory information, skeleton data in real-world environments often suffer from missing joints caused by occlusions. These disturbances significantly degrade prediction accuracy, indicating the need for more robust skeleton representations. We propose a robust trajectory prediction method that incorporates a self-supervised skeleton representation model pretrained with masked autoencoding. Experimental results in occlusion-prone scenarios show that our method improves robustness to missing skeletal data without sacrificing prediction accuracy, and consistently outperforms baseline models in clean-to-moderate missingness regimes.
• Abstract（参考訳）: 人間の軌道予測は、自律ナビゲーションやビデオ監視といったアプリケーションにおいて重要な役割を果たす。 近年の研究では、軌道情報を補完するヒトの骨格配列の統合が検討されているが、実際の環境における骨格データは、閉塞によって生じる関節の欠如に悩まされることが多い。 これらの障害は予測精度を著しく低下させ、より堅牢な骨格表現の必要性を示している。 マスク付き自動符号化で事前訓練した自己教師付き骨格表現モデルを組み込んだ頑健な軌道予測手法を提案する。 その結果,本手法は,予測精度を犠牲にすることなく,骨格データに対するロバスト性を向上し,クリーン・モジュレートな欠損状態におけるベースラインモデルよりも一貫して優れていることがわかった。

関連論文リスト

• Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning [7.819710421921815]
  我々は,他のエージェントの動きの非線形予測モデルをリアルタイムで学習するオンラインフレームワークを開発した。 Cadzowプロジェクションは構造化された低ランクの一貫性を強制し、デノーズされた軌道と局所的なノイズ分散の推定を導出する。 ガウス型および重尾型雑音下でのシミュレーションにおけるアプローチの有効性を検証し, 動的クレーン試験台で実験的に検証した。
  論文  参考訳（メタデータ） (2025-11-02T05:54:30Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Anticipatory Fall Detection in Humans with Hybrid Directed Graph Neural Networks and Long Short-Term Memory [12.677218248209494]
  本稿では,DGNN(Dynamic Graph Neural Networks)とLSTM(Long Short-Term Memory)ネットワークを組み合わせたハイブリッドモデルを提案する。 提案手法では,提案モデルに対する入力として,ビデオシーケンスから抽出したリアルタイム骨格特徴を用いる。 LSTMベースのネットワークは、次の時間のステップで人間の動きを予測し、転倒の早期発見を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T12:56:31Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• A comprehensive study on the prediction reliability of graph neural networks for virtual screening [0.0]
  本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。 その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
  論文  参考訳（メタデータ） (2020-03-17T10:13:31Z)

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。