Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment

要約

人間は、人間のポーズ関連の手がかりを使用して、瞬間的な観察から将来の人間の軌跡を予測することができます。
ただし、以前のヒト軌道予測（HTP）メソッドは、ポーズキューを暗黙的に活用して、信じがたい予測をもたらします。
これに対処するために、物理学の法則に基づく移動生成による予測される軌道の物理的妥当性を明示的に評価するフレームワークである移動具体化を提案します。
移動の妥当性は無関心な物理シミュレーターで学習されますが、データ駆動型の方法でHTPネットワークをトレーニングするために、微分可能な移動値関数に置き換えられます。
特に、提案された具体化された移動損失は、複数のヘッドを使用して確率的HTPネットワークを効率的にトレーニングするために有益です。
さらに、推論時に信じられない軌跡を除外するために、移動値フィルターが提案されています。
実験は、私たちの方法が、多様なデータセットや問題設定にわたって最先端のHTPメソッドさえも強化することを示しています。
私たちのコードは、https：//github.com/iminthemiddle/emlocoで入手できます。

要約(オリジナル)

Humans can predict future human trajectories even from momentary observations by using human pose-related cues. However, previous Human Trajectory Prediction (HTP) methods leverage the pose cues implicitly, resulting in implausible predictions. To address this, we propose Locomotion Embodiment, a framework that explicitly evaluates the physical plausibility of the predicted trajectory by locomotion generation under the laws of physics. While the plausibility of locomotion is learned with an indifferentiable physics simulator, it is replaced by our differentiable Locomotion Value function to train an HTP network in a data-driven manner. In particular, our proposed Embodied Locomotion loss is beneficial for efficiently training a stochastic HTP network using multiple heads. Furthermore, the Locomotion Value filter is proposed to filter out implausible trajectories at inference. Experiments demonstrate that our method enhances even the state-of-the-art HTP methods across diverse datasets and problem settings. Our code is available at: https://github.com/ImIntheMiddle/EmLoco.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google