論文の概要: Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2603.07096v1
• Date: Sat, 07 Mar 2026 08:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.036064
• Title: Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration
• Title（参考訳）: 安全な人間-ロボット協調のためのガウス過程を用いたスケーラブルな確率的人間の動作予測に向けて
• Authors: Jinger Chong, Xiaotong Zhang, Kamal Youcef-Toumi,
• Abstract要約: 本研究では,フルボディ動作予測のための構造化変分ガウスプロセス(GP)フレームワークを提案する。 我々のモデルは、強いベースラインよりも最大50のカーネル密度推定負対数類似度(KDE NLL)を達成する。 確率的定式化にもかかわらず、我々のモデルは0.24-0.35Mのパラメータしか必要としない。
• 参考スコア（独自算出の注目度）: 6.846949601451734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate human motion prediction with well-calibrated uncertainty is critical for safe human-robot collaboration (HRC), where robots must anticipate and react to human movements in real time. We propose a structured multitask variational Gaussian Process (GP) framework for full-body human motion prediction that captures temporal correlations and leverages joint-dimension-level factorization for scalability, while using a continuous 6D rotation representation to preserve kinematic consistency. Evaluated on Human3.6M (H3.6M), our model achieves up to 50 lower kernel density estimate negative log-likelihood (KDE NLL) than strong baselines, a mean continuous ranked probability score (CRPS) of 0.021 m, and deterministic mean angle error (MAE) that is 3-18% higher than competitive deep learning methods. Empirical coverage analysis shows that the fraction of ground-truth outcomes contained within predicted confidence intervals gradually decreases with horizon, remaining conservative for lower-confidence intervals and near-nominal for higher-confidence intervals, with only modest calibration drift at longer horizons. Despite its probabilistic formulation, our model requires only 0.24-0.35 M parameters, roughly eight times fewer than comparable approaches, and exhibits modest inference times, indicating suitability for real-time deployment. Extensive ablation studies further validated the choice of 6D rotation representation and Matern 3/2 + Linear kernel, and guided the selection of the number of inducing points and latent dimensionality. These results demonstrate that scalable GP-based models can deliver competitive accuracy together with reliable and interpretable uncertainty estimates for downstream robotics tasks such as motion planning and collision avoidance.
• Abstract（参考訳）: 人間の動きの正確な予測は、ロボットが人間の動きを予測し、リアルタイムで反応しなければならない安全な人間ロボット協調(HRC)にとって重要である。 本研究では,連続した6次元回転表現を用いて,時間的相関を捉え,拡張性に共同次元の因子分解を利用する,フルボディの人体動作予測のための構造化マルチタスク変動ガウス過程(GP)フレームワークを提案する。 また,Human3.6M (H3.6M) を用いて評価した結果, 最大50低いカーネル密度推定負対数類似度 (KDE NLL) , ゼロ21mの平均連続ランク確率スコア (CRPS) , 決定論的平均角度誤差 (MAE) は競合深層学習法よりも3-18%高い。 実験的カバレッジ分析により, 予測信頼区間に含まれる地中直結結果の割合は, 地平線で徐々に減少し, 低信頼区間は保守的であり, 高信頼区間は準ノルム的であり, より長い地平線では緩やかなキャリブレーションドリフトのみであることがわかった。 確率的定式化にも拘わらず、我々のモデルは0.24-0.35Mのパラメータしか必要とせず、ほぼ8倍も小さい。 大規模なアブレーション研究により、6次元回転表現とMatern 3/2 + Linear kernelの選択がさらに検証され、誘導点数と潜在次元の選定が導かれた。 これらの結果から,移動計画や衝突回避といった下流ロボット作業に対する信頼性と解釈可能な不確実性の推定とともに,スケーラブルなGPベースモデルが競争精度を達成できることが示唆された。

関連論文リスト

• DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration [7.946001746395269]
  HTF(Human Trajectory Forecasting)は、過去の軌跡や環境状況から将来の人間の動きを予測する。 DD-MDNは,高位置精度,校正不確実性,短時間の観測に頑健性を組み合わせた,エンドツーエンドの確率的HTFモデルである。 ETH/UCY、SDD、inD、IMPTCデータセットの実験では、最先端の精度、短い観測間隔での堅牢性、信頼性のある不確実性モデリングが示されている。
  論文  参考訳（メタデータ） (2026-02-11T08:59:33Z)
• EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture [1.260797434681533]
  ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 本研究では,確率論的多視点マーカーレスモーションキャプチャ法の校正と信頼性を評価する。 確率モデル再構成は不確実性を定量化し、同時に接地構造を計測することなく信頼できない出力を特定できる。
  論文  参考訳（メタデータ） (2026-01-29T23:50:19Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Uncertainty-aware Probabilistic 3D Human Motion Forecasting via Invertible Networks [6.671593490919892]
  人間の3D動作予測は、自律的なアプリケーションの実現を目的としている。 本稿では,不整合空間におけるポーズをパラメータ化するための非可逆ネットワークを導入したProbHMIを提案する。 予測モジュールは将来の潜伏分布を明示的に予測し、効果的な不確実性定量化を可能にする。
  論文  参考訳（メタデータ） (2025-07-19T17:02:07Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Uncertainty-aware Human Motion Prediction [0.4568777157687961]
  人間の動作予測のための不確実性認識フレームワーク(UA-HMP)を提案する。 まず,ガウスモデルを用いて不確実性を考慮した予測器を設計し,予測動作の価値と不確実性を実現する。 そこで, 不確実性を定量化し, ノイズサンプルの負の効果を低減するために, 不確実性誘導学習方式を提案する。
  論文  参考訳（メタデータ） (2021-07-08T03:09:01Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。