論文の概要: Kairos: Grounded Forecasting of Presence and Directional Flow in 4D Scene Graphs

• arxiv url: http://arxiv.org/abs/2609.27467v1
• Date: Wed, 23 Sep 2026 07:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.93302
• Title: Kairos: Grounded Forecasting of Presence and Directional Flow in 4D Scene Graphs
• Title（参考訳）: Kairos: 4Dシーングラフにおける存在と方向の流れの予測
• Abstract要約: 階層型3次元シーングラフ(3DSG)を4次元シーングラフ(4DSG)に拡張した予測方向フローメモリKairosを提案する。 再構成された幾何学の観測された全てのボクセルは、今後の問い合わせ時間に対して、方向の混合と存在率、スペクトル予測器を格納する。 実際の歩行者環境として,ロボット収集型キャンパスデータセット,ショッピングモール,駅コンコースを11ヶ月連続記録した。
• 参考スコア（独自算出の注目度）: 9.875884278069737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term autonomy in human-populated environments requires anticipating whether and how people will move at times a robot has not yet observed. Existing representations of pedestrian motion face a tradeoff: they either forecast future activity, reducing each location to a scalar rate, or model the full directional distribution, holding it fixed in time. We present Kairos, a predictive directional-flow memory that extends a hierarchical 3D scene graph (3DSG) to a 4D scene graph (4DSG). Every observed voxel of the reconstructed geometry stores a directional mixture and a presence rate, and spectral predictors forecast, for any future query time, both the probability that people are present and the full directional distribution of their motion. Pairwise flow dependence between adjacent voxels supports conditional queries, and per-voxel predictive variances yield calibrated credible intervals that tighten as observations accumulate. We evaluate Kairos on three real pedestrian environments: a robot-collected campus dataset, a shopping mall, and a station concourse recorded continuously for eleven months. Its learned state remains consistent under loop-closure corrections, and its forecasts are competitive with dedicated occupancy and flow models trained on the full detection stream, although Kairos learns from only the small fraction available to a patrolling robot. Finally, we validate the representation on a downstream encounter-probability planning task, where plans computed over the Kairos forecasts encounter more people than plans computed over any time-invariant map at an equal success rate. We provide the code at https://github.com/IacopomC/kairos.
• Abstract（参考訳）: 人口の多い環境における長期的自律性は、ロボットがまだ観察されていないときに人々がどのように動くかを予測する必要がある。 歩行者の動きの既存の表現はトレードオフに直面しており、将来の活動を予測するか、それぞれの位置をスカラーレートに縮小するか、あるいは完全な方向分布をモデル化し、時間内に固定する。 本稿では,階層型3Dシーングラフ(3DSG)を4Dシーングラフ(4DSG)に拡張した,予測指向フローメモリKairosを提案する。 再構成された幾何学の観察された全てのボクセルは、方向の混合と存在率を記憶し、スペクトル予測器は将来の問い合わせ時間に対して、人がいる確率と動きの完全な方向の分布の両方を予測する。 隣接するボクセル間のペアワイズフロー依存性は条件付きクエリをサポートし、ボクセルごとの予測分散は、観測が蓄積するにつれて密着するキャリブレーションされた信頼区間を生み出す。 実際の歩行者環境として,ロボット収集型キャンパスデータセット,ショッピングモール,駅コンコースを11ヶ月連続記録した。 その学習状態はループ閉鎖補正の下で一貫しており、その予測は完全な検出ストリームで訓練された専用の占有率とフローモデルと競合するが、カイロスはパトロールロボットで利用可能なわずかな部分しか学ばない。 最後に,カイロス予測に基づいて計算された計画が,同じ成功率で時間不変の地図上で計算された計画よりも多くの人に遭遇する,下流での遭遇確率計画の表象を検証した。 私たちはhttps://github.com/IacopomC/kairos.comでコードを公開しています。

関連論文リスト

• From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
  エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。 コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。 HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T12:06:23Z)
• ForecastOcc: Vision-based Semantic Occupancy Forecasting [16.699381591572163]
  ForecastOccは視覚に基づくセマンティック占有予測のための最初のフレームワークであり、将来の占有状況とセマンティックカテゴリーを予測する。 本フレームワークは,過去のカメラ画像から直接,外部推定地図に頼らずに,複数の地平線に対するセマンティック占有率の予測を行う。
  論文  参考訳（メタデータ） (2026-02-08T15:16:06Z)
• STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts [23.8690122800167]
  STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
  論文  参考訳（メタデータ） (2025-08-14T02:44:33Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
  本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。 軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。 提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
  論文  参考訳（メタデータ） (2023-12-22T01:48:09Z)
• Pose and Semantic Map Based Probabilistic Forecast of Vulnerable Road Users' Trajectories [2.984037222955095]
  脆弱な道路利用者(VRU)の確率的軌道予測手法を提案する。 過去の動きは、個々の身体部分の姿勢と動きを反映した3Dのポーズによって表現される。 周囲のシーンは、道路、歩道、障害物の発生など、セマンティックマップの形式でモデル化されている。
  論文  参考訳（メタデータ） (2021-06-04T16:56:13Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。