論文の概要: EgoTraj: Real-World Egocentric Human Trajectory Dataset for Multimodal Prediction

• arxiv url: http://arxiv.org/abs/2605.19004v1
• Date: Mon, 18 May 2026 18:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.916316
• Title: EgoTraj: Real-World Egocentric Human Trajectory Dataset for Multimodal Prediction
• Title（参考訳）: EgoTraj:マルチモーダル予測のための実世界の人間軌道データセット
• Authors: Ahmad Yehia, Abduallah Mohamed, Tianyi Wang, Jiseop Byeon, Kun Qian, Junfeng Jiao, Christian Claudel,
• Abstract要約: EgoTrajはMeta Quest Pro(MQPro)を用いて記録されたエゴセントリックなマルチモーダルオープンデータセットである 現実世界の都市環境において、複数のMQPro装着者から収集された75のヒューマンナビゲーションが含まれている。 私たちの知る限りでは、EgoTrajは、長い水平な自己方向のナビゲーションをキャプチャすることで、典型的なエゴセントリックな軌道データセットとは異なる。
• 参考スコア（独自算出の注目度）: 4.1965237414146666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately forecasting human trajectories from an egocentric perspective plays a central role in applications such as humanoid robotics, wearable sensing systems, and assistive navigation. However, progress in this direction remains limited due to the scarcity of egocentric trajectory datasets collected in real-world environments. Addressing this need, we introduce EgoTraj, an egocentric multimodal open dataset recorded using Meta Quest Pro (MQPro). EgoTraj contains 75 sequences of human navigation collected from multiple MQPro wearers in real-world urban environments. Each recording provides synchronized RGB video along with ground-truth data, including continuous time-synchronized 6-degree-of-freedom head poses, per-frame 3D eye gaze vectors, scene annotations. To the best of our knowledge, EgoTraj differs from typical egocentric trajectory datasets by capturing long-horizon, self-directed navigation across diverse urban routes with broad participant diversity. To demonstrate the potential of the dataset, we benchmark several state-of-the-art methods for egocentric trajectory prediction and conduct ablation studies to analyze the contributions of gaze, scene, and motion cues. The results highlight the utility of EgoTraj for AR-based perception, navigation, and assistive systems. The EgoTraj dataset, code, and EgoViz Dashboard are publicly available at https://github.com/yehiahmad/EgoTraj.
• Abstract（参考訳）: エゴセントリックな視点から人間の軌道を正確に予測することは、ヒューマノイドロボット、ウェアラブルセンシングシステム、補助ナビゲーションなどの応用において中心的な役割を果たす。 しかし、この方向の進行は、現実の環境で収集されたエゴセントリックな軌道データセットが不足しているため、依然として限られている。 このニーズに対応するために,Meta Quest Pro (MQPro) を用いて記録されたエゴセントリックなマルチモーダルオープンデータセットであるEgoTrajを紹介した。 EgoTrajには、現実世界の都市環境で複数のMQPro使用者から収集された75のヒューマンナビゲーションが含まれている。 各録音は、連続した時間同期6自由度ヘッドポーズ、フレームごとの3Dアイアイアイ・ベクター、シーンアノテーションなど、地上データとともに同期RGBビデオを提供する。 私たちの知る限りでは、EgoTrajは、幅広い範囲の多様な都市ルートを横断する長い水平な自己方向のナビゲーションをキャプチャすることで、典型的なエゴセントリックな軌跡データセットとは異なる。 このデータセットの可能性を実証するために、エゴセントリックな軌道予測のための最先端のいくつかの手法をベンチマークし、視線、シーン、モーションキューの寄与を分析するためのアブレーション研究を行った。 結果は、ARベースの認識、ナビゲーション、アシストシステムのためのEgoTrajの有用性を強調している。 EgoTrajデータセット、コード、EgoViz Dashboardはhttps://github.com/yehiahmad/EgoTraj.comで公開されている。

関連論文リスト

• LookOut: Real-World Humanoid Egocentric Navigation [61.14016011125957]
  本稿では,エゴセントリックな映像から将来の6Dヘッドポーズの列を予測するという課題を紹介する。 この課題を解決するために,時間的に集約された3次元潜伏特徴を考慮に入れた枠組みを提案する。 この分野のトレーニングデータが不足していることから,このアプローチを通じて収集されたデータセットを提示する。
  論文  参考訳（メタデータ） (2025-08-20T06:43:36Z)
• EgoMe: A New Dataset and Challenge for Following Me via Egocentric View in Real World [12.699670048897085]
  人間の模倣学習において、模倣者は、通常、自我中心の視点を基準として、自我中心の視点から自我中心の視点に観察された振る舞いを自然に伝達する。 実世界における模倣者の自我中心的な視点を通じて、人間の模倣学習のプロセスに従うためのEgoMeを紹介する。 我々のデータセットには7902対のエゴビデオが含まれており、様々な現実のシナリオにおいて多様な日々の行動にまたがっている。
  論文  参考訳（メタデータ） (2025-01-31T11:48:22Z)
• EgoExoLearn: A Dataset for Bridging Asynchronous Ego- and Exo-centric View of Procedural Activities in Real World [44.34800426136217]
  EgoExoLearnは、以下のプロセスで人間の実演をエミュレートするデータセットである。 EgoExoLearnには120時間にわたるエゴセントリックでデモ的なビデオデータが含まれている。 クロスビューアソシエーション、クロスビューアクションプランニング、クロスビュー参照スキルアセスメントなどのベンチマークを提示する。
  論文  参考訳（メタデータ） (2024-03-24T15:00:44Z)
• EgoGen: An Egocentric Synthetic Data Generator [53.32942235801499]
  EgoGenは新しい合成データジェネレータで、エゴセントリックな知覚タスクのための正確でリッチな地上訓練データを生成することができる。 EgoGenの中心となるのは、仮想人間の自我中心の視覚入力を直接利用して3D環境を感知する、新しい人間のモーション合成モデルである。 我々は、ヘッドマウントカメラのマッピングとローカライゼーション、エゴセントリックカメラトラッキング、エゴセントリックビューからのヒューマンメッシュリカバリの3つのタスクで、EgoGenの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-16T18:55:22Z)
• EgoHumans: An Egocentric 3D Multi-Human Benchmark [37.375846688453514]
  EgoHumansは、エゴセントリックな人間の3Dポーズ推定と追跡の最先端化を図るために、新しいマルチビューマルチヒューマンビデオベンチマークである。 本研究では,エゴセントリックなマルチヒューマン・ベンチマークを構築するために,新しい3Dキャプチャ・セットアップを提案する。 コンシューマグレードのウェアラブルカメラ搭載メガネを、エゴセントリックな視点に活用することで、テニス、フェンシング、バレーボールなどのダイナミックな活動を捉えることができます。
  論文  参考訳（メタデータ） (2023-05-25T21:37:36Z)
• EgoTracks: A Long-term Egocentric Visual Object Tracking Dataset [19.496721051685135]
  身体追跡は多くの自我中心の視覚問題にとって重要な要素である。 EgoTracksは、長期的なエゴセントリックなビジュアルオブジェクトトラッキングのための新しいデータセットである。 本稿では,STARKトラッカーの性能向上を図り,エゴセントリックデータの性能向上を図っている。
  論文  参考訳（メタデータ） (2023-01-09T09:10:35Z)
• Ego-Body Pose Estimation via Ego-Head Pose Estimation [22.08240141115053]
  エゴセントリックなビデオシーケンスから3次元の人間の動きを推定することは、人間の行動理解において重要な役割を担い、VR/ARに様々な応用がある。 Ego-Head Pose Estimation (EgoEgo) と呼ばれる新しい手法を提案する。 この頭と体のポーズのゆがみは、ペア化されたエゴセントリックなビデオと3D人間の動きでデータセットをトレーニングする必要をなくす。
  論文  参考訳（メタデータ） (2022-12-09T02:25:20Z)
• Ego-Exo: Transferring Visual Representations from Third-person to First-person Videos [92.38049744463149]
  大規模第3者映像データセットを用いた自己中心型映像モデルの事前訓練手法について紹介する。 私たちのアイデアは、重要なエゴセントリック特性を予測する第三者ビデオから潜在信号を見つけることです。 実験の結果,Ego-Exoフレームワークは標準ビデオモデルにシームレスに統合可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-16T06:10:10Z)

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。