DE-TGN: Uncertainty-Aware Human Motion Forecasting using Deep Ensembles

要約

ロボットとの協働環境において人間の作業者の安全を確保することは最も重要です。
正確な姿勢予測モデルは人間の作業者とロボットの間の衝突を防ぐのに役立ちますが、依然として重大なエラーの影響を受けやすいです。
この研究では、人間の動きを正確に予測するだけでなく、予測の不確実性の尺度も提供する時間グラフ ニューラル ネットワークのディープ アンサンブル (DE-TGN) と呼ばれる新しいアプローチを提案します。
ディープ アンサンブルを活用し、確率的モンテカルロ ドロップアウト サンプリングを採用することで、共分散楕円体に基づいて、潜在的な将来の人間のポーズの範囲を表す体積フィールドを構築します。
私たちのフレームワークを検証するために、Human3.6M を含む 3 つのモーション キャプチャ データセットと 2 つの人間とロボットのインタラクション シナリオを使用して実験を実施し、最先端の予測誤差を達成しました。
さらに、ディープアンサンブルによって不確実性を定量化できるだけでなく、予測の精度も向上できることがわかりました。

要約(オリジナル)

Ensuring the safety of human workers in a collaborative environment with robots is of utmost importance. Although accurate pose prediction models can help prevent collisions between human workers and robots, they are still susceptible to critical errors. In this study, we propose a novel approach called deep ensembles of temporal graph neural networks (DE-TGN) that not only accurately forecast human motion but also provide a measure of prediction uncertainty. By leveraging deep ensembles and employing stochastic Monte-Carlo dropout sampling, we construct a volumetric field representing a range of potential future human poses based on covariance ellipsoids. To validate our framework, we conducted experiments using three motion capture datasets including Human3.6M, and two human-robot interaction scenarios, achieving state-of-the-art prediction error. Moreover, we discovered that deep ensembles not only enable us to quantify uncertainty but also improve the accuracy of our predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google