論文の概要: Fast Confidence-Aware Human Prediction via Hardware-accelerated Bayesian Inference for Safe Robot Navigation

• arxiv url: http://arxiv.org/abs/2603.01122v2
• Date: Thu, 19 Mar 2026 03:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.799522
• Title: Fast Confidence-Aware Human Prediction via Hardware-accelerated Bayesian Inference for Safe Robot Navigation
• Title（参考訳）: 安全ロボットナビゲーションのためのハードウェアアクセラレーションベイズ推論による高速信頼度認識人体予測
• Authors: Michael Lu, Minh Bui, Xubo Lyu, Mo Chen,
• Abstract要約: 本稿では,将来予測を粒子として扱う信頼度を考慮した予測手法を提案する。 我々の実装は、より詳細な予測時間ステップをサポートし、よりきめ細かい軌道予測をもたらす。 我々は、実世界の実験を通じて、ロボットが複数の人間の間で安全にナビゲートできることを実証し、我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 2.745453886412164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As robots increasingly integrate into everyday environments, ensuring their safe navigation around humans becomes imperative. Efficient and safe motion planning requires robots to account for human behavior, particularly in constrained spaces such as grocery stores or care homes, where interactions with multiple individuals are common. Prior research has employed Bayesian frameworks to model human rationality based on navigational intent, enabling the prediction of probabilistic trajectories for planning purposes. In this work, we present a simple yet novel approach for confidence-aware prediction that treats future predictions as particles. This framework is highly parallelized and accelerated on an graphics processing unit (GPU). As a result, this enables longer-term predictions at a frequency of 125 Hz and can be easily extended for multi-human predictions. Compared to existing methods, our implementation supports finer prediction time steps, yielding more granular trajectory forecasts. This enhanced resolution allows motion planners to respond effectively to subtle changes in human behavior. We validate our approach through real-world experiments, demonstrating a robot safely navigating among multiple humans with diverse navigational goals. Our results highlight the methods potential for robust and efficient human-robot coexistence in dynamic environments.
• Abstract（参考訳）: ロボットがますます日常の環境に統合されるにつれて、人間のまわりの安全なナビゲーションが不可欠になる。 効率的で安全な運動計画では、特に複数の個人との対話が一般的である食料品店や介護施設のような制約された空間において、ロボットが人間の行動を説明する必要がある。 以前の研究では、航海意図に基づく人間の合理性をモデル化するためにベイズ的フレームワークを使用しており、計画目的の確率的軌道の予測を可能にしている。 本研究では, 将来予測を粒子として扱う, 信頼性を考慮した予測手法を提案する。 このフレームワークは高度に並列化され、グラフィックス処理ユニット(GPU)上で加速される。 これにより、125Hzの周波数で長期予測が可能となり、マルチヒューマン予測に容易に拡張できる。 既存の手法と比較して,提案手法はより詳細な予測時間ステップをサポートし,より粒度の細かい軌道予測を行う。 この高解像度化により、運動プランナーは人間の行動の微妙な変化に効果的に反応できる。 実世界の実験を通じて我々のアプローチを検証し、多様なナビゲーション目標を持つ複数の人間間を安全にナビゲートするロボットを実証した。 本研究は, 動的環境におけるロバストで効率的な人間ロボット共存の可能性を明らかにするものである。

関連論文リスト

• Social-Pose: Enhancing Trajectory Prediction with Human Body Pose [70.59399670794171]
  本研究では,人体ポーズを用いた人体軌道予測の利点について検討した。 我々は,シーン内のすべての人間のポーズとその社会的関係を効果的にキャプチャするアテンションベースのポーズエンコーダであるSocial-poseを提案する。
  論文  参考訳（メタデータ） (2025-07-30T14:58:48Z)
• CoNav: A Benchmark for Human-Centered Collaborative Navigation [66.6268966718022]
  協調ナビゲーション(CoNav)ベンチマークを提案する。 われわれのCoNavは、現実的で多様な人間の活動を伴う3Dナビゲーション環境を構築するという重要な課題に取り組む。 本研究では,長期的意図と短期的意図の両方を推論する意図認識エージェントを提案する。
  論文  参考訳（メタデータ） (2024-06-04T15:44:25Z)
• Motion Prediction with Gaussian Processes for Safe Human-Robot Interaction in Virtual Environments [1.677718351174347]
  衝突事故のリスクを最小限に抑えるため、共同作業型ロボットは人間との共同作業が安全でなければならない。 本研究の目的は,協調作業ロボットの安全性を向上しつつ,協調作業ロボットの効率を向上させることである。
  論文  参考訳（メタデータ） (2024-05-15T05:51:41Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Robots That Can See: Leveraging Human Pose for Trajectory Prediction [30.919756497223343]
  本研究では,人間中心環境における未来の軌道を予測するためのトランスフォーマーアーキテクチャを提案する。 結果として得られたモデルは、将来の人間の軌道予測に固有の不確実性を捉えている。 我々は,限られた履歴データを持つ新しいエージェントを誤りの主な要因として同定し,予測誤差を低減するために3次元骨格ポーズの相補的な性質を実証する。
  論文  参考訳（メタデータ） (2023-09-29T13:02:56Z)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
  本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。 次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
  論文  参考訳（メタデータ） (2021-02-10T11:11:08Z)
• Long Term Motion Prediction Using Keyposes [122.22758311506588]
  長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。 このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。 このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
  論文  参考訳（メタデータ） (2020-12-08T20:45:51Z)
• Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
  そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。 私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。 学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
  論文  参考訳（メタデータ） (2020-03-20T16:13:47Z)

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。