Online Residual Learning from Offline Experts for Pedestrian Tracking

要約

この論文では、データから未知のターゲットを予測する問題を検討します。
私たちは、オンラインの適応とオフラインで訓練された予測を組み合わせた方法であるオンライン残差学習 (ORL) を提案します。
下位レベルでは、予測期間の前または開始時に生成された複数のオフライン予測を使用します。
再帰的最小二乗アルゴリズムを使用して、オンラインでの真のターゲット状態に関するそれぞれの残差を学習することで、すべてのオフライン予測を強化します。
より高いレベルでは、拡張された下位レベルの予測子を専門家として扱い、エキスパート アドバイス付き予測フレームワークを採用します。
適応ソフトマックス重み付けスキームを利用して集計予測を形成し、リグアランスの観点から ORL の保証を提供します。
ORL を採用して、オンライン歩行者軌跡予測の設定におけるパフォーマンスを向上させます。
スタンフォード ドローン データセットのデータに基づいて、ORL が両方の利点を生かしたパフォーマンスを実証できることを示します。

要約(オリジナル)

In this paper, we consider the problem of predicting unknown targets from data. We propose Online Residual Learning (ORL), a method that combines online adaptation with offline-trained predictions. At a lower level, we employ multiple offline predictions generated before or at the beginning of the prediction horizon. We augment every offline prediction by learning their respective residual error concerning the true target state online, using the recursive least squares algorithm. At a higher level, we treat the augmented lower-level predictors as experts, adopting the Prediction with Expert Advice framework. We utilize an adaptive softmax weighting scheme to form an aggregate prediction and provide guarantees for ORL in terms of regret. We employ ORL to boost performance in the setting of online pedestrian trajectory prediction. Based on data from the Stanford Drone Dataset, we show that ORL can demonstrate best-of-both-worlds performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google