論文の概要: Real-Time Human Trajectory Prediction from RGB-D for Mobile Robots Using Bi-Mamba

• arxiv url: http://arxiv.org/abs/2610.33916v1
• Date: Sat, 24 Oct 2026 21:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.482684
• Title: Real-Time Human Trajectory Prediction from RGB-D for Mobile Robots Using Bi-Mamba
• Title（参考訳）: バイマンバを用いた移動ロボットのRGB-Dからの実時間軌道予測
• Abstract要約: 本稿では,RGB-Dカメラを用いた短時間の人間軌道予測のための軽量双方向状態空間モデルであるTrajMambaを提案する。 両方向のマンバブロックを積み重ねた人のヒップセンター速度の短いウィンドウを符号化し、GRUヘッドで将来の速度を復号する。 262Kパラメーターで、控えめなハードウェア上でリアルタイムに動作し、NVIDIA Jetson Orinを搭載したTIAGoロボットにデプロイされる。
• 参考スコア（独自算出の注目度）: 2.4660652494309936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the short-term future trajectory of a person from RGB-D cameras is a key capability for mobile robots navigating in dynamic and human populated environment. The key challenge to deploying learned predictors on real robots is the train-deploy pipeline gap. Training data are often prepared with an idealized, smoothed ground truth, whereas at inference, the model is fed noisy estimates from pose detectors and depth sensors. The model is therefore evaluated on an input distribution it never encountered during training. Most existing models rely on recurrent neural networks (RNNs) or transformers, which either struggle to capture short-term temporal dependencies or suffer from computational cost. We present TrajMamba, a lightweight, bidirectional state space model for short-term human trajectory prediction using an RGB-D camera. The model uses a single shared processing path for both training and deployment, aligning human pose extraction, depth back projection, and smoothing processes. It encodes a short window of persons's hip center velocities with stacked bidirectional Mamba blocks and decodes future velocities with a GRU head. On the ETH/UCY benchmark, TrajMamba reaches an average ADE of 0.29 m FDE of 0.51 m. With 262K parameters, it runs in real time on modest hardware and is deployed on a TIAGo robot with an onboard NVIDIA Jetson Orin.
• Abstract（参考訳）: RGB-Dカメラから人物の短期的将来の軌跡を予測することは、動的で人口の多い環境で移動する移動ロボットにとって重要な能力である。 学習した予測器を実際のロボットにデプロイする上で重要な課題は、列車のパイプラインギャップである。 トレーニングデータはしばしば理想化された平滑な地面の真実で作成されるが、推測では、モデルはポーズ検出器と深度センサーからノイズの多い推定値が供給される。 したがって、モデルはトレーニング中に遭遇したことのない入力分布に基づいて評価される。 既存のモデルの多くはリカレントニューラルネットワーク(RNN)やトランスフォーマーに依存している。 本稿では,RGB-Dカメラを用いた短時間の人間軌道予測のための軽量双方向状態空間モデルであるTrajMambaを提案する。 このモデルは、トレーニングとデプロイメントの両方に単一の共有処理パスを使用し、人間のポーズ抽出、奥行き予測、スムーズなプロセスを調整する。 両方向マンバブロックを積み重ねた人のヒップセンター速度の短いウィンドウを符号化し、GRUヘッドで将来の速度を復号する。 ETH/UCYのベンチマークでは、TrajMamba の平均 ADE は 0.29 m FDE で 0.51 m に達する。 262Kパラメーターで、控えめなハードウェア上でリアルタイムに動作し、NVIDIA Jetson Orinを搭載したTIAGoロボットにデプロイされる。

関連論文リスト

• RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
  H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。 本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。 ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
  論文  参考訳（メタデータ） (2026-08-13T09:55:59Z)
• Factorized Spatio-Temporal Convolutions for Human Pose Estimation from Planar Lidar [43.576051446645856]
  近くの人間を位置決めし、対向方向を推定することは、安全なナビゲーションと社会的に認識された人間とロボットの相互作用の鍵となる能力である。 空間時間ブロックに基づく軽量ネットワークを用いた平面LiDAR列からの全方位人間の検出と相対2次元ポーズ推定に対処する。 我々のネットワークは、360LiDARシーケンスを処理し、線当たりの人間の存在、距離、相対方向を出力します。
  論文  参考訳（メタデータ） (2026-07-23T13:31:54Z)
• 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)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Robust Human Motion Forecasting using Transformer-based Model [14.088942546585068]
  本研究では,リアルタイムな3次元人体動作予測を短時間・長期で処理するTransformerに基づく新しいモデルを提案する。 本モデルでは, 騒音の多い環境下での3次元動作の復元と予測において, 人間の動きが著しく抑制されている状況において, その頑健さを実証する。 我々のモデルは,400msの入力プレフィックスを持つHumanre3.6Mデータセットにおいて,短期予測におけるST-Transformerの平均2乗誤差を8.89%,長期予測で2.57%削減する。
  論文  参考訳（メタデータ） (2023-02-16T13:06:39Z)
• STPOTR: Simultaneous Human Trajectory and Pose Prediction Using a Non-Autoregressive Transformer for Robot Following Ahead [12.177604596741773]
  観測された人間の動作履歴から将来の人間の動作を予測するニューラルネットワークモデルを開発した。 本研究では,自動回帰トランスフォーマアーキテクチャを提案し,その並列特性を利用して,テスト時の高速かつ高精度な予測を行う。 我々のモデルは、最先端の手法に関して、テスト精度と速度の観点からロボット応用に適している。
  論文  参考訳（メタデータ） (2022-09-15T20:27:54Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)
• Few-Shot Visual Grounding for Natural Human-Robot Interaction [0.0]
  本稿では,人間ユーザによって音声で示される,混み合ったシーンから対象物を分割するソフトウェアアーキテクチャを提案する。 システムのコアでは、視覚的な接地のためにマルチモーダルディープニューラルネットワークを使用します。 公開シーンデータセットから収集した実RGB-Dデータに対して,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2021-03-17T15:24:02Z)
• Motion Prediction Using Temporal Inception Module [96.76721173517895]
  人間の動作を符号化するTIM(Temporal Inception Module)を提案する。 本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。 標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
  論文  参考訳（メタデータ） (2020-10-06T20:26:01Z)

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。