論文の概要: Social Graph Mamba: Forecasting Pedestrian Movements Based on Social Context
- arxiv url: http://arxiv.org/abs/2608.21411v1
- Date: Tue, 11 Aug 2026 12:02:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 05:49:59.237301
- Title: Social Graph Mamba: Forecasting Pedestrian Movements Based on Social Context
- Title（参考訳）: ソーシャルグラフマンバ:社会的文脈に基づく歩行者運動の予測
- Abstract要約: Social Graph Mamba (SGM)は、注目に基づく社会的推論をSSM(Selective State Space Models)に置き換える新しいアーキテクチャである。
SGMは、群集の相互作用を逐次分解するために社会的三重項分解を伴う動的相互作用グラフを導入し、グループ構造を効果的に発見するためのコミュニティ対応モジュールを導入した。
標準ベンチマーク (ETH/UCY, SDD) 実験では,2次注意法と比較して線形列の複雑さと競合する性能を示した。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting pedestrian motion has always been fundamental for autonomous navigation in crowded environments. While attention-based methods achieve strong performance, they suffer from quadratic computational complexity in modeling social interactions, limiting scalability. Additionally, the existing methods often achieve high accuracy on prediction benchmarks at the individual level, but fail to fully capture the natural movement behaviors of crowds in real-world scenarios, particularly group structures. In this study, we propose Social Graph Mamba (SGM), a novel architecture that replaces attention-based social reasoning with Selective State Space Models (SSMs) operating on dynamically constructed interaction graphs. SGM introduces a dynamic interaction graph with social triplet factorization to decompose crowd interactions sequentially, and a community-aware module to effectively discover group structures via differentiable MinCut optimization and conditions both the embedding space and multi-modal decoder on group membership. Our experiments on standard benchmarks (ETH/UCY, SDD) demonstrate competitive performance with linear sequence complexity compared to quadratic attention-based methods. We further validate SGM in physical robot experiments by integrating predicted trajectories into a Social Force Model (SFM) for real-world implementation.
- Abstract（参考訳）: 歩行者の移動を予測することは、混雑した環境での自律的なナビゲーションに常に不可欠である。
注意に基づく手法は高い性能を達成するが、社会的相互作用のモデリングにおいて2次計算の複雑さに悩まされ、スケーラビリティが制限される。
さらに、既存の手法は、個々のレベルでの予測ベンチマークにおいて高い精度を達成することが多いが、実際のシナリオ、特にグループ構造において、群衆の自然な動きの挙動を完全に把握することができない。
本研究では,動的に構築された相互作用グラフ上で動作するSSM(Selective State Space Models)に注目に基づく社会的推論を置き換えた新しいアーキテクチャであるSocial Graph Mamba(SGM)を提案する。
SGMは,集団間相互作用を逐次分解する,社会的三重項分解を伴う動的相互作用グラフと,MinCutの最適化によりグループ構造を効果的に発見するコミュニティ対応モジュールを導入し,グループメンバシップ上の埋め込み空間とマルチモーダルデコーダの両方を条件とした。
標準ベンチマーク (ETH/UCY, SDD) 実験では,2次注意法と比較して線形列の複雑さと競合する性能を示した。
実世界実装のための社会力モデル(Social Force Model, SFM)に予測軌道を統合することにより, 物理ロボット実験におけるSGMをさらに検証する。
関連論文リスト
- Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis [55.78822230833247]
We present Inter-X++, a comprehensive and large-scale benchmark designed to empower useful HHI analysis。
インターX++は11,388個の高忠実な相互作用シーケンスと8.1Mフレームを提供する。
インタラクションの再構築と意味理解を協調的に最適化する,単一かつ統一されたHHI表現とモデリングフレームワークOpenHHIを提案する。
論文 参考訳（メタデータ） (2026-08-20T17:51:48Z) - Navigating the Crowd: Non-linear MPC with Social Forces Dynamics for Human-Aware Robot Navigation [37.228303049818734]
本稿では,社会力モデルに基づく非線形モデル予測制御フレームワークであるSFM-NMPCを紹介する。
周囲のエージェントの動的モデルにソーシャルフォースモデルを組み込むことで、コントローラーは人間とロボットの軌道を共同で予測する。
社会的コスト関数の調整されたセットは、人間の従順な行動への最適化を導く。
論文 参考訳（メタデータ） (2026-07-11T15:57:33Z) - Trajectory Learning with Graph Representations for Social Robot Navigation [1.0732935873226022]
社会に適応したナビゲーションに社会的ダイナミクスを活用する模倣学習フレームワークを提案する。
本稿では,時間的ダイナミクスを捕捉し,エラーの蓄積を緩和するナビゲーションモジュールを提案する。
我々のフレームワークは、シミュレーションに基づくデータ駆動ベースラインと、さまざまなソーシャルメトリクスにわたる実世界のデータセットより優れています。
論文 参考訳（メタデータ） (2026-06-21T23:57:54Z) - On Improving Multimodal Pedestrian Trajectory Prediction with CVAE: A Study on Benchmark and Robot Data [3.857761563372033]
社会時空間グラフ畳み込みニューラルネットワーク(Social-STGCNN)は,社会的相互作用をモデル化することによって高い性能を示した。
我々は,Social-STGCNNのバックボーン上に構築し,変動オートエンコーダ(CVAE)に基づく確率的定式化を導入し,マルチモーダルな将来の軌道を明示的にモデル化する。
本研究では,ETHおよびUCY歩行者軌跡データと,移動ロボットが収集した実世界の歩行者データについて評価を行った。
論文 参考訳（メタデータ） (2026-05-18T11:59:52Z) - Social-Mamba: Socially-Aware Trajectory Forecasting with State-Space Models [81.44955493339835]
ソーシャル・マンバ(Social-Mamba)は、社会的相互作用を構造化されたシーケンシャルなプロセスとして再構築する予測アーキテクチャである。
Social-Mambaは、エゴセントリックなグリッド上でエージェントを組織し、社会的三重項分解を導入する。
5つの軌道予測ベンチマークの実験は、Social-Mambaが最先端の精度を達成していることを示している。
論文 参考訳（メタデータ） (2026-05-14T21:16:01Z) - FreeAskWorld: An Interactive and Closed-Loop Simulator for Human-Centric Embodied AI [24.545163508739943]
FreeAskWorldは対話型シミュレーションフレームワークで、大規模言語モデルを統合して、ハイレベルな振る舞い計画とセマンティックな基礎的なインタラクションを実現する。
我々のフレームワークはスケーラブルでリアルなヒューマンエージェントシミュレーションをサポートし、多様な実施タスクに適したモジュラーデータ生成パイプラインを含んでいる。
再構成環境,6種類のタスクタイプ,16のコアオブジェクトカテゴリ,63,429の注釈付きサンプルフレーム,17時間以上のインタラクションデータからなる大規模ベンチマークデータセットであるFreeAskWorldを公開・公開する。
論文 参考訳（メタデータ） (2025-11-17T15:58:46Z) - Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。
SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-10-22T06:01:21Z) - DynamiX: Large-Scale Dynamic Social Network Simulator [101.65679342680542]
DynamiXは、動的ソーシャルネットワークモデリングに特化した新しい大規模ソーシャルネットワークシミュレータである。
世論のリーダーに対しては、情報ストリームに基づくリンク予測手法を提案し、同様の姿勢で潜在的ユーザを推薦する。
一般ユーザに対しては,不等式指向の行動決定モジュールを構築する。
論文 参考訳（メタデータ） (2025-07-26T12:13:30Z) - 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) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z)
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。