[논문 리뷰] Pedestrian orientation dynamics from high-fidelity measurements

Joris Willems, Alessandro Corbetta외 2명|Data Archiving and Networked Services (DANS)|2020. 01. 14.

Evacuation and Crowd Dynamics참고 문헌 28인용 수 6

한 줄 요약

이 논문은 보행자의 어깨 방향을 고도로 정확하게 추정하기 위해 깊이 신경망 기반 방법을 제안한다. 이는 상위 깊이 영상에서 10도 이내의 정확도(최저 7.5도)를 달성하며, 보행 속도 방향과 신체 요어(yaw) 간의 강력한 통계적 상관관계를 활용한다. 속도를 약한 지도(label)로 사용함으로써 수작업 레이블링의 고비용을 피하고, 실제 생활 환경에서 보행자의 방향 동역학을 고해상도로 분석할 수 있도록 한다.

ABSTRACT

We investigate in real-life conditions and with very high accuracy the dynamics of body rotation, or yawing, of walking pedestrians - an highly complex task due to the wide variety in shapes, postures and walking gestures. We propose a novel measurement method based on a deep neural architecture that we train on the basis of generic physical properties of the motion of pedestrians. Specifically, we leverage on the strong statistical correlation between individual velocity and body orientation: the velocity direction is typically orthogonal with respect to the shoulder line. We make the reasonable assumption that this approximation, although instantaneously slightly imperfect, is correct on average. This enables us to use velocity data as training labels for a highly-accurate point-estimator of individual orientation, that we can train with no dedicated annotation labor. We discuss the measurement accuracy and show the error scaling, both on synthetic and real-life data: we show that our method is capable of estimating orientation with an error as low as 7.5 degrees. This tool opens up new possibilities in the studies of human crowd dynamics where orientation is key. By analyzing the dynamics of body rotation in real-life conditions, we show that the instantaneous velocity direction can be described by the combination of orientation and a random delay, where randomness is provided by an Ornstein-Uhlenbeck process centered on an average delay of 100ms. Quantifying these dynamics could have only been possible thanks to a tool as precise as that proposed.

연구 동기 및 목표

• 실생활에서 보행자의 어깨선 요어 방향을 고정밀도로 측정할 수 있도록 하여, 인간 운동 동역학에서 복잡하고 미처 탐색되지 않은 측면을 다루는 것.
• 상부 깊이 영상에서 보행자 방향에 대한 대규모이고 정확한 레이블링을 확보하는 데 도전하는 문제를 해결하는 것.
• 자연적인 보행 조건에서 보행자 방향과 속도 방향 간의 시간적 관계를 정량화하는 것.
• 물리적 확률 과정을 사용하여 방향과 속도 간의 확률적 지연을 모델링하는 것.
• 방향이 핵심 역할을 하는 군중 동역학 연구에 활용 가능한 확장 가능하고 개인정보 보호에 유리한 도구를 제공하는 것.

제안 방법

• 개인 중심의 상부 깊이 영상 조각(imagelets)에서 보행자 어깨 방향을 추정하기 위해 훈련된 깊이 컨volution 신경망(CNN)을 사용한다.
• 모델은 순간적인 운동 방향(속도 벡터)을 약한 지도(label)로 사용하며, 속도와 신체 방향 간의 통계적 수직성(orthogonality)을 활용한다.
• 모델은 속도 방향이 항상 정확히 방향과 일치하지는 않지만, 평균적으로 충분히 일치하므로 신뢰할 수 있는 점 추정기(point-estimator)를 학습할 수 있다고 가정한다.
• 수작업 레이블링을 피하기 위해, 기존의 궤적 추적에서 얻을 수 있는 속도 데이터를 대체 레이블로 사용한다.
• 방향과 속도 간의 확률적 지연은 경험적 데이터에 적합된 파rameters를 가진 옴스타인-울렌벡(OU) 과정으로 모델링된다.
• 모델 성능은 합성 데이터와 실제 생활 데이터 모두에서 검증되었으며, 다양한 보행 속도에서 오차의 스케일링 특성을 분석하였다.

실험 결과

연구 질문

• RQ1 수작업 레이블링 없이 상부 깊이 영상에서 보행자 어깨 방향을 고정밀도로 추정할 수 있는가?
• RQ2 실제 보행 상황에서 보행자 방향과 속도 방향 간의 통계적 관계는 어떠한가?
• RQ3 보행 속도에 따라 방향과 속도 간의 시간 지연은 어떻게 변화하는가?
• RQ4 방향-속도 지연의 확률적 동역학은 물리적 확률 과정으로 잘 모델링될 수 있는가?
• RQ5 제안된 방법이 보행자 군중 동역학에 대해 새로운 통찰을 제공하는 데까지 어느 정도 기여하는가?

주요 결과

• 제안된 방법은 실제 생활 데이터에서 최저 7.5도의 추정 오차를 기록하여 높은 측정 정밀도를 입증하였다.
• 보행자 방향과 속도 방향 간 평균 지연은 약 100ms이며, 0.6 m/s에서 160ms에서 1.4 m/s에서 100ms로 감소한다.
• 지연 동역학은 시간 상수 τ ≈ 1.2 s 및 노이즈 강도 ξ ≈ 1.85를 가진 옴스타인-울렌벡(OU) 과정으로 잘 모델링된다.
• 평균 지연을 보정한 방향-속도 차이의 확률 분포는 측정값과 시뮬레이션 모두에서 정규 분포를 따르며 확인되었다.
• 속도 및 방향 신호의 파wer 스펙트럼 밀도(PSD)는 저주파수에서 측정값과 시뮬레이션 결과 간 양호한 일치를 보였다.
• 모델는 실제 보행자 동역학의 주요 통계적 특징, 즉 지연 분포와 스펙트럼 내용을 재현하는 합성 속도 신호를 생성할 수 있다.