論文の概要: GEAR: From Dynamic Encoding to Dynamic Activation in Social Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2609.13778v1
• Date: Sat, 12 Sep 2026 07:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.549059
• Title: GEAR: From Dynamic Encoding to Dynamic Activation in Social Trajectory Prediction
• Title（参考訳）: GEAR: 動的エンコーディングから動的アクティベーションへ : 社会的軌道予測
• Abstract要約: GEARは、人間の軌道予測のための世代別バイアスアクティベーションモデルである。 GEARは共振ベースラインを一貫して改善し,最先端の競争性能を実現する。
• 参考スコア（独自算出の注目度）: 12.457008514101231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory prediction requires modeling both individual motion patterns and social interactions among agents. Existing methods have made substantial progress by using attention mechanisms, graph structures, and temporal encoders to capture dynamic social context. However, most of them primarily focus on how social information is encoded, while paying less explicit attention to how the encoded social context should take effect during future trajectory generation. In this paper, we argue that dynamic social encoding does not necessarily imply dynamic social activation. The same interaction context may require different activation strengths across future horizons and scene densities: social cues should be strengthened when interaction evidence is strong, but suppressed when they are weak or noisy. To address this issue, we propose GEAR, a generation-aware bias activation model for human trajectory prediction. Built upon a bias-decomposed trajectory generation formulation, GEAR dynamically activates the individual-motion and social-resonance bias terms at each future step before final trajectory composition. This allows the model to explicitly control when and how strongly individual and social bias components participate in generation. Experiments on ETH-UCY, SDD, and NBA show that GEAR consistently improves the resonance-based baseline and achieves competitive state-of-the-art performance. Further analyses of activation patterns and density-grouped errors validate the importance of calibrating encoded social context during trajectory generation. Our code is available at https://github.com/11isnotavailable/GEAR.git.
• Abstract（参考訳）: 人間の軌道予測には、個々の行動パターンとエージェント間の社会的相互作用の両方をモデル化する必要がある。 既存の手法では、注意機構、グラフ構造、時間エンコーダを用いて動的な社会的文脈を捉えることで、かなり進歩している。 しかし、そのほとんどは、ソーシャル情報のエンコード方法に重点を置いている一方で、エンコードされたソーシャルコンテキストが将来の軌跡生成にどのように影響するかに明確な注意を払っていない。 本稿では,動的ソーシャルエンコーディングが必ずしも動的ソーシャルアクティベーションを示唆するものではないことを論じる。 同じ相互作用の文脈では、将来の地平線やシーン密度で異なるアクティベーション強度を必要とすることがある: 相互作用の証拠が強くても社会的手がかりは強化されるべきであるが、それらが弱い場合やうるさい場合は抑制されるべきである。 本稿では,人間の軌道予測のための世代別バイアスアクティベーションモデルであるGEARを提案する。 バイアス分解された軌道生成の定式化に基づいて、GEARは最終軌道合成前の各将来のステップにおいて、個人運動および社会的共鳴バイアス項を動的に活性化する。 これにより、モデルがいつ、どのように個人的および社会的偏見要素が生成に関与するかを明確に制御できる。 ETH-UCY、SDD、NBAの実験では、GEARは共鳴ベースのベースラインを一貫して改善し、最先端の競争性能を達成する。 さらに、アクティベーションパターンと密度群誤差を分析し、軌道生成におけるエンコードされた社会的文脈の校正の重要性を検証した。 私たちのコードはhttps://github.com/11isnot available/GEAR.gitで利用可能です。

関連論文リスト

• Social Graph Mamba: Forecasting Pedestrian Movements Based on Social Context [0.5801044612920815]
  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。
  論文  参考訳（メタデータ） (2026-08-11T12:02:11Z)
• 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)
• 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)
• 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)
• Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder [14.05141917351931]
  マルチモーダル軌道予測のための条件付き変分自動エンコーダ(Social-DualCVAE)を提案する。 これは、過去の軌跡だけでなく、教師なしの相互作用パターンの分類にもとづく生成モデルに基づいている。 提案手法は,広く用いられているトラジェクトリ・ベンチマークで評価され,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-08T16:04:47Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting [2.3852339280654173]
  軌道予測は知的車両や社会ロボットの分野で重要な役割を果たしている。 最近の研究は、空間的社会的影響や時間的動きの注意をモデル化することに重点を置いているが、運動の固有の特性を無視している。 本稿では,車両軌道予測のための文脈自由な階層型運動デコーダネットワーク(HMNet)を提案する。
  論文  参考訳（メタデータ） (2021-11-26T06:12:19Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)
• A Novel Graph based Trajectory Predictor with Pseudo Oracle [15.108410951760131]
  GTPPOは、歩行者の将来の行動に配慮したエンコーダデコーダに基づく手法である。 ETH、UCY、Stanford Droneのデータセットで評価されている。
  論文  参考訳（メタデータ） (2020-02-02T13:40:47Z)

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。