抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
歩行者軌道予測は,自律運転やロボットのような広範囲のAIアプリケーションにおける必須成分である。既存の方法は,通常,訓練と試験運動を同じパターンに従い,一方,潜在的分布差(例えば,ショッピングモールと街路)を無視する。この問題は避けられない性能低下をもたらす。この問題に取り組むために,著者らは,統合フレームワークにおけるドメインアラインメントと同様に,軌道予測を共同で実行する,新しい転送可能グラフニューラルネットワーク(T-GNN)フレームワークを提案した。特に,ドメイン固有知識が低減する構造運動知識を探索するために,ドメイン不変GNNを提案した。さらに,注意ベースの適応知識学習モジュールを,知識移転のための細粒個体レベル特徴表現を探究するために,さらに提案した。この方法によって,異なる軌跡ドメイン間の格差は,より良く緩和されるであろう。実際的軌道予測実験が設計される間,より挑戦的であり,実験結果は著者らの提案モデルの優れた性能を確かめた。知る限りでは,本研究は,異なる領域にわたる実用的な歩行者軌跡予測のためのベンチマークと技術におけるギャップを埋める先駆者である。【JST・京大機械翻訳】