Core Concepts
人間の動きを予測するための新しいアプローチであるLaCE-LHMPは、優れた予測性能を示し、人間の動きパターンに関する直感的な理解を提供します。
Abstract
長期的な人間の動き予測(LHMP)は、自律ロボットや車両の安全な運用に不可欠であり、様々なアプリケーションに基盤としています。
複雑な要因(社会規範や環境条件)により、正確な人間の軌跡予測が困難であることが挙げられます。
Maps of Dynamics(MoDs)を使用した長期的な人間の動き予測(MoD-LHMP)アプローチは、環境効果が重要となる長期的視点で特に適しています。
LaCE-LHMPはデータ駆動型空気流モデリングから着想を得ており、優れた予測性能を実証しています。
ラミナー支配度の量的評価により、ラミナー支配領域の予測可能性を指標化することが可能です。
Introduction
LHMPは自律ロボットや車両の安全運用に不可欠であり、精密な人間の将来軌跡予測が必要です。
人間の動きは複雑であり、社会規範や環境条件など多くの要因に影響されます。
Method
LaCE-LHMPアプローチはトレーニングフェーズと予測フェーズから成り立ちます。トレーニングフェーズではラミナー成分抽出が行われます。
ラミナー成分抽出では空間クラスタリング、局所ω-ν分布モデリング、ラミナー成分抽出という3つの手順が含まれます。
Experiments
ATCショッピングモールデータセットを使用して定量的および定性的評価が行われました。
LaCE-LHMPは他手法と比較して高い精度を示しました。特に20秒までの長期予測では優れた結果を達成しました。
Stats
LaCE-LHMPアプローチはCLiFF-LHMPおよびTrajectron++と比較してADE/FDE値で改善された結果を示しました。
Quotes
"LaCE-LHMPアプローチはデータ駆動型空気流モデリングから着想を得ており、優れた予測性能を実証しています。"
"ラミナー支配度の量的評価により、ラミナー支配領域の予測可能性を指標化することが可能です。"