Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction

要約

タイトル – 確率的な人間の軌跡予測のための非教示サンプリングの促進

要約:
– 人間の動きの不確定性は、確率モデルを使用して多次性現象を定式化し、有限の将来の軌跡の集合を推測することを要求する。
– 現在のほとんどの方法の推定プロセスは、長いテール効果のために現実的なパスを有限のサンプルでカバーするには不十分なマルチコロサンプリングに依存している。
– 可能な経路をベイズ最適化によって適応的に抽出する新しい方法であるBOsamplerを提案することで、確率的予測のサンプリングプロセスを促進する。
– 軌跡サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。
– 現在の分布を事前に適用して、長いテール領域での経路探索を促す。
– このサンプリング方法は、再トレーニングせずに既存の確率予測モデルに統合できる。
– さまざまなベースライン方法での実験結果は、このメソッドの効果を実証している。

要約(オリジナル)

The indeterminate nature of human motion requires trajectory prediction systems to use a probabilistic model to formulate the multi-modality phenomenon and infer a finite set of future trajectories. However, the inference processes of most existing methods rely on Monte Carlo random sampling, which is insufficient to cover the realistic paths with finite samples, due to the long tail effect of the predicted distribution. To promote the sampling process of stochastic prediction, we propose a novel method, called BOsampler, to adaptively mine potential paths with Bayesian optimization in an unsupervised manner, as a sequential design strategy in which new prediction is dependent on the previously drawn samples. Specifically, we model the trajectory sampling as a Gaussian process and construct an acquisition function to measure the potential sampling value. This acquisition function applies the original distribution as prior and encourages exploring paths in the long-tail region. This sampling method can be integrated with existing stochastic predictive models without retraining. Experimental results on various baseline methods demonstrate the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI