
要約
トラジェクトリ予測は、多くの分野で広く研究されており、モデルベースとモデルフリーの両方の手法が探求されてきた。前者にはルールベース、幾何学的、または最適化に基づくモデルが含まれ、後者は主にディープラーニングアプローチで構成される。本論文では、新しいニューラル微分方程式モデルを基盤として、両手法を統合する新たな手法を提案する。我々が開発した新モデル(Neural Social Physics、NSP)は、学習可能なパラメータを持つ明示的な物理モデルを内包する深層ニューラルネットワークである。明示的な物理モデルは、歩行者の行動をモデリングする上で強力な誘導バイアス(inductive bias)を提供する一方で、ネットワークの残りの部分は、システムパラメータ推定およびダイナミクスの確率的性質のモデリングにおいて、優れたデータ適合能力を発揮する。NSPは6つのデータセット上で15の最近のディープラーニング手法と比較され、最新の性能を5.56%~70%向上させた。さらに、テストデータの密度と比べて2~5倍高い密度を持つ極めて異なるシナリオにおいても、NSPがより優れた汎化性能を示すことを示した。最後に、NSPに組み込まれた物理モデルが、ブラックボックス型のディープラーニングとは異なり、歩行者の行動に対して説明可能かつ妥当な解釈を提供できることを実証した。コードは以下のURLで公開されている:https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics。