車両情報を条件とした3D歩行者姿勢予測のための歩行者-車両相互作用モデリング

- 3D pedestrian pose forecasting を vehicle-conditioned に拡張したフレームワーク。 - 周囲車両情報を明示的に取り込み、歩行者の将来3D poseを予測。 - Waymo-3DSkelMo に aligned 3D vehicle bounding boxes を追加したデータセットを構築。 - 歩行者数・車両数でシーンを分類する sampling scheme を導入。 - TBIFormer を基盤に vehicle encoder と pedestrian-vehicle interaction cross-attention を追加。

- 従来の歩行者予測は歩行者の履歴中心で、周囲車両を条件として明示的に扱う3D pose予測は限定的。 - 本研究は vehicle-conditioned な3D pose forecasting を提案。 - Waymo-3DSkelMo を拡張し、3D vehicle bounding boxes を整備。 - 歩行者-車両相互作用の複雑さを歩行者数・車両数で層別化する sampling scheme を導入。 - 予測精度を大幅改善し、相互作用モデリングの有効性を示す。

- TBIFormer をベースに、専用 vehicle encoder を追加。 - pedestrian-vehicle interaction cross-attention module で歩行者特徴と車両特徴を融合。 - 歩行者の履歴運動と周囲車両の両方に条件付けして予測。 - Waymo-3DSkelMo に aligned 3D vehicle bounding boxes を付与。 - 歩行者数・車両数でシーンを分類する sampling scheme を採用。

- Waymo-3DSkelMo を拡張したデータセットで extensive experiments を実施。 - 予測精度の substantial improvements を報告。 - 歩行者-車両相互作用の異なるモデリング手法を検証。 - vehicle-aware 3D pose prediction の重要性を示す。 - コード公開: https://github.com/GuangxunZhu/VehCondPose3D

- 車両情報を条件に加えることで予測精度が向上することを確認。 - 歩行者-車両相互作用のモデリング手法の違いを検証。 - autonomous driving における vehicle-aware 3D pose prediction の重要性を強調。 - 具体的な限界や失敗事例、計算コスト、一般化性の議論は要旨からは不明。

- TBIFormer - Waymo-3DSkelMo - 3D human pose forecasting - pedestrian trajectory prediction - multi-agent interaction modeling