Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
군중 속 보행자의 경로 예측을 위해 사회적 상호작용을 정량화하는 'Learn to Cluster' 방법론을 제안합니다. 확률적 잠재 변수 생성 모델을 통해 레이블 없이도 보행자 간 상호작용 패턴을 학습하고 예측 모델에 통합할 수 있습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기군중 속에서의 장기적인 인간 경로 예측(Long-term human path forecasting)은 자율 주행 자동차나 소셜 로봇과 같은 자율 이동 플랫폼이 충돌을 피하고 고품질의 계획을 수립하는 데 매우 중요합니다. 현재의 연구들은 예측을 위해 사회적 상호작용(social interactions)을 고려하고 있지만, 사람들 사이에서 발생하는 사회적 상호작용의 정확한 종류와 이러한 사회적 상호작용이 보행자의 의사 결정 과정에 어떻게 영향을 미치는지 밝혀내지 못하고 있으며, 이는 결과적으로 강건성(robustness)을 제한합니다. 보행자 보행에서의 사회적 상호작용은 직관적으로 방대하며 레이블을 지정하거나 정량화하기 어렵습니다. 본 논문에서는 'Learn to Cluster'를 제안함으로써 보행자가 타인과 어떻게 상호작용하는지를 정량화하고 해석하기 위한 창의적인 탐구를 수행합니다. 우리의 사회적 상호작용 클러스터링(clustering social interactions)은 확률적 잠재 변수 생성 모델(probabilistic latent variable generative) 방식으로, 순차적인 궤적 관측값(sequential trajectory observations)으로부터 직접 학습하며, 임의의 보행자 수에 대해 확장 가능합니다. Learn to cluster는 레이블이 필요 없는(label-free) 방식이며 예측 모델의 학습 과정에 자연스럽게 통합될 수 있습니다. 이후 잠재 변수(latent variables)는 사회적 상호작용을 분류하는 '레이블(labels)' 역할을 하게 됩니다. 여러 궤적 예측 벤치마크에 대한 광범위한 실험을 통해, 우리의 방법론이 사회적 상호작용의 패턴을 학습하고 이러한 패턴을 보행자 궤적 예측에 효과적으로 통합할 수 있음을 입증하였습니다.