arXiv:1710.00126

3DOF Pedestrian Trajectory Prediction Learned from Long-Term Autonomous Mobile Robot Deployment Data

Li Sun, Zhi Yan, Sergi Molina Mellado, Marc Hanheide, Tom Duckett

제출 2017-09-30

원문 초록

This paper presents a novel 3DOF pedestrian trajectory prediction approach for autonomous mobile service robots. While most previously reported methods are based on learning of 2D positions in monocular camera images, our approach uses range-finder sensors to learn and predict 3DOF pose trajectories (i.e. 2D position plus 1D rotation within the world coordinate system). Our approach, T-Pose-LSTM (Temporal 3DOF-Pose Long-Short-Term Memory), is trained using long-term data from real-world robot deployments and aims to learn context-dependent (environment- and time-specific) human activities. Our approach incorporates long-term temporal information (i.e. date and time) with short-term pose observations as input. A sequence-to-sequence LSTM encoder-decoder is trained, which encodes observations into LSTM and then decodes as predictions. For deployment, it can perform on-the-fly prediction in real-time. Instead of using manually annotated data, we rely on a robust human detection, tracking and SLAM system, providing us with examples in a global coordinate system. We validate the approach using more than 15K pedestrian trajectories recorded in a care home environment over a period of three months. The experiment shows that the proposed T-Pose-LSTM model advances the state-of-the-art 2D-based method for human trajectory prediction in long-term mobile robot deployments.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.05705v1cs.RO공통 태그 Decoder, Trajectory Prediction

IMR: 다중 에이전트 궤적 예측을 위한 반복적 모드-월드 가중 회귀

IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction

다중 에이전트 모션 예측은 자율주행 차량이 주변 차량의 의도를 파악하는 데 필수적이다. 그러나 기존의 예측 기반(prediction-based) 및 앵커 기반(anchor-based) 방법은 각각 모드 다양성과 예측 정확도 측면에서 한계를 지닌다. 이러한 한계는 자율주행 차량의 불충분한 안전성 평가와 행동 편차를 초래할 수 있다. 이 문제를 해결하기 위해, 두 특성 간의 간극을 좁히는 모드-월드 가중 회귀 손실이 제안된다. 구체적으로, 이 접근법은 모드 붕괴(mode collapse)를 완화하는 동시에 월드 랭킹과 Top-1 신뢰도를 향상시킨다. 또한, 제안된 반복적 디코더는 궤적을 순환적·분할적으로 생성함으로써 예측 정확도를 개선한다. 실험 결과, 제안된 방법은 Argoverse 2 다중 에이전트 모션 예측 벤치마크에서 다른 방법들 대비 1위를 기록하였다.

arXiv:2606.26661v1cs.RO공통 태그 Decoder, Trajectory Prediction

LAMP: 실행 가능한 궤적 예측을 위한 차선 정렬 움직임 프리미티브

LAMP: Lane-Aligned Motion Primitives for Feasible Trajectory Prediction

움직임 예측은 복잡한 주행 시나리오에서 안전한 의사결정과 계획을 가능하게 하기 위해 자율주행 시스템에 필수적이다. 기존 예측기는 표준 변위 오차를 최소화하는 데는 뛰어나지만, 다중모드 예측의 차선 토폴로지 준수, 특히 낮은 확률의 모드에 대해서는 종종 간과한다. 그 결과, 예측된 궤적이 물리적·논리적 제약을 위반할 수 있어, 예측 집합이 안전이 중요한 계획에 신뢰할 수 없게 된다. 본 논문에서는 차선 토폴로지에 정렬된 구조화된 움직임 프리미티브에 다중모드 예측을 고정하는 토폴로지 인식 예측 프레임워크인 LAMP(Lane-Aligned Motion Primitives)를 제안한다. 구체적으로, VQ-VAE를 사용해 형태 인식 움직임 프리미티브를 이산 의도 쿼리로 학습하여, 종단점 기반 의도를 넘어서는 시공간 패턴을 포착한다. 또한 차선 토폴로지 사전 확률로 학습된 실행 가능성 인식 의도 선택기를 도입하여 도달 불가능한 의도 쿼리를 필터링하고, 디코더가 행동 다양성을 유지하면서 토폴로지 일관된 의도를 우선하도록 안내한다. Argoverse 2 데이터셋에 대한 광범위한 실험을 통해 LAMP가 최신 기준선과 비견 가능한 예측 정확도를 달성하면서 실행 가능성 및 다양성 지표에서 이를 능가함을 보여준다.

arXiv:2610.10592v2cs.CL공통 태그 Decoder

Wieszcz-XIX: 31억 단어 규모의 1918년 이전 폴란드어 코퍼스와 처음부터 학습된 시간적 제약 언어 모델

Wieszcz-XIX: A 3.1-Billion-Word Corpus of Pre-1918 Polish and Temporally Bounded Language Models Trained From Scratch

역사적 폴란드어는 언어로서 잘 문서화되어 있으나, 본 논문에서 다루는 시기의 기계 가독형 주석 데이터는 약 100만 단어에 불과하며, 나머지는 품질이 다양한 광학 문자 인식(OCR) 상태로 남아 있습니다. 본 논문에서는 1800년부터 1918년 사이에 출판된 폴란드어 문헌(대부분 정기간행물 호) 294,369개 문서, 67억 5천만 토큰(약 31억 단어) 규모의 코퍼스인 Wieszcz-XIX를 제시합니다. 이는 필터링, 중복 제거, 1918년 이후 데이터 유출 감사 및 문서 수준 분할을 수행하는 파이프라인을 통해 Wolne Lektury 및 Internet Archive로부터 수집되었습니다. 이 코퍼스는 동일한 시기의 주석 코퍼스보다 3자릿수 이상(1,000배 이상) 크며, 본 연구에서는 그 결함을 정량화합니다. 즉, 위양성 하한 기준의 인식 오류, 제거된 유사 중복, 그리고 전사된 출처에서 발견된 0.04~0.38% 바이트 수준의 알려진 잔여물을 제외하고 학습(training) 코퍼스 자체에서 배제된 1918년 이후 데이터 유출을 정량화하여, 공개된 코퍼스가 문서 단위로 학습에 사용된 코퍼스와 동일하도록 구성했습니다. 수작업으로 교정된 표본에서 텍스트 판독이 가능한 경우 문자 오차율(CER)은 0.68%이며, 표본 구절의 45%는 교정이 불가능했습니다. 이 데이터를 기반으로 47M부터 349M 매개변수 규모의 디코더 전용(decoder-only) 모델 계층을 처음부터(from scratch) 학습하고 시간적 제약성(temporal boundedness)을 측정합니다. 훨씬 더 큰 모델을 포함한 두 개의 현대 폴란드어 베이스 모델과 비교했을 때, 349M 모델은 역전 현상(crossover)을 보였으며 동일 규모의 비교 모델 대비 107M 모델 또한 유사한 역전 현상을 나타냈습니다. 1918년 이후 어휘는 비교 모델에서는 나타나지 않는 격차로서 해당 시대 어휘보다 약 3.1비트/바이트 더 많은 비용이 들었으며, 해당 시대 어휘는 비교 모델보다 더 적은 비트를 소모했습니다. 해당 시대의 텍스트가 주어졌을 때 본 모델들은 그 철자법을 유지한 반면 비교 모델들은 부분적으로만 유지했습니다. 매개변수를 늘리는 것이 데이터를 2회 순회(second pass)하는 것보다 약 2배 더 높은 성능 향상을 얻었습니다. 코퍼스, 코드, 가중치를 함께 공개합니다. 콘텐츠 주의: 모델은 반유대주의적 발언을 포함하여 당시 시대의 편견을 재현합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.