LaCE-LHMP: Airflow Modelling-Inspired Long-Term Human Motion Prediction By Enhancing Laminar Characteristics in Human Flow

要約

長期人間動作予測 (LHMP) は、人口密集環境で自律型ロボットや車両を安全に動作させるために不可欠です。
これは、動作計画、追跡、人間とロボットの対話、安全監視など、さまざまなアプリケーションの基礎となります。
しかし、社会規範や環境条件などの複雑な要因により、人間の軌跡を正確に予測することは困難です。
このような要因の影響は、マップ オブ ダイナミクス (MoD) を通じて捕捉できます。MoD は、環境内の過去の (おそらく散在的かつ部分的な) 運動観察から学習した空間運動パターンをエンコードし、データ効率が高く、解釈可能な運動予測に使用できます (
MoD-LHMP)。
これまでの研究の限界、特に長期予測における異常に対する精度と感度に関する限界に対処するために、我々は層流成分強化型 LHMP アプローチ (LaCE-LHMP) を提案します。
私たちのアプローチは、層流成分と乱流成分を推定し、主に層流成分を使用して流れを予測するデータ駆動型の気流モデリングからインスピレーションを得ています。
人間の軌跡パターンには層流成分（予測可能な動きを表す）や乱流成分（より予測不可能で任意の動きを反映する）も現れるという仮説に基づいて、LaCE-LHMP は人間のダイナミクスにおける層流パターンを抽出し、それらを人間の動作予測に使用します。
最先端の LHMP 手法とのベンチマーク比較を通じて、LaCE-LHMP の優れた予測性能を実証し、従来にない視点と人間の移動パターンのより直観的な理解を提供します。

要約(オリジナル)

Long-term human motion prediction (LHMP) is essential for safely operating autonomous robots and vehicles in populated environments. It is fundamental for various applications, including motion planning, tracking, human-robot interaction and safety monitoring. However, accurate prediction of human trajectories is challenging due to complex factors, including, for example, social norms and environmental conditions. The influence of such factors can be captured through Maps of Dynamics (MoDs), which encode spatial motion patterns learned from (possibly scattered and partial) past observations of motion in the environment and which can be used for data-efficient, interpretable motion prediction (MoD-LHMP). To address the limitations of prior work, especially regarding accuracy and sensitivity to anomalies in long-term prediction, we propose the Laminar Component Enhanced LHMP approach (LaCE-LHMP). Our approach is inspired by data-driven airflow modelling, which estimates laminar and turbulent flow components and uses predominantly the laminar components to make flow predictions. Based on the hypothesis that human trajectory patterns also manifest laminar flow (that represents predictable motion) and turbulent flow components (that reflect more unpredictable and arbitrary motion), LaCE-LHMP extracts the laminar patterns in human dynamics and uses them for human motion prediction. We demonstrate the superior prediction performance of LaCE-LHMP through benchmark comparisons with state-of-the-art LHMP methods, offering an unconventional perspective and a more intuitive understanding of human movement patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google