CLiFF-LHMP: Using Spatial Dynamics Patterns for Long-Term Human Motion Prediction

要約

人の動きの予測は、移動サービスロボットやインテリジェント車両が人の周りで安全かつスムーズに動作するために重要です。
特に長期間にわたる予測がより正確であればあるほど、システムは衝突リスクを評価し、事前に計画することができます。
この論文では、長期人間動作予測 (LHMP) のために、力学マップ (MoD、事前の観察から学習された場所依存の空間動作パターンの一般的な表現のクラス) を利用することを提案します。
我々は、データ効率が高く、説明可能で、上流の追跡システムからのエラーの影響を受けにくい、CLiFF-LHMP と呼ばれる、MoD に基づいた新しい人間の動き予測アプローチを紹介します。
私たちのアプローチでは、同じ環境で記録された人間の動作データでトレーニングされた特定の MoD である CLiFF-map を使用します。
CLiFF マップからのサンプルを使用して等速予測にバイアスをかけ、マルチモーダルな軌道予測を生成します。
2 つの公開データセットでは、このアルゴリズムが非常に長期間にわたる予測において最先端のパフォーマンスを上回り、ベースラインと比較して 50 秒で 45% より正確な予測パフォーマンスを達成していることを示しています。

要約(オリジナル)

Human motion prediction is important for mobile service robots and intelligent vehicles to operate safely and smoothly around people. The more accurate predictions are, particularly over extended periods of time, the better a system can, e.g., assess collision risks and plan ahead. In this paper, we propose to exploit maps of dynamics (MoDs, a class of general representations of place-dependent spatial motion patterns, learned from prior observations) for long-term human motion prediction (LHMP). We present a new MoD-informed human motion prediction approach, named CLiFF-LHMP, which is data efficient, explainable, and insensitive to errors from an upstream tracking system. Our approach uses CLiFF-map, a specific MoD trained with human motion data recorded in the same environment. We bias a constant velocity prediction with samples from the CLiFF-map to generate multi-modal trajectory predictions. In two public datasets we show that this algorithm outperforms the state of the art for predictions over very extended periods of time, achieving 45% more accurate prediction performance at 50s compared to the baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google