IEEE PerCom2025
国際会議IEEE PerCom2025で4件の研究発表・パネルトーク登壇および1件の受賞
研究発表 受賞
国際会議 · 2025
Behavioral-Aware Early Destination Prediction Using LiDAR Point Clouds and Movement Trajectories (PerVehicle)
Abstract
Large-scale facility management increasingly relies on understanding human movement patterns, yet existing person re-identification (Re-ID) methods face challenges in tracking individuals across non-overlapping sensor regions. This paper presents a novel approach combining 3D LiDAR point cloud data with trajectory information to predict pedestrian destinations in early stages of movement. By predicting likely destinations, our method can significantly narrow down the search space for matching individuals between different sensor regions, thereby improving Re-ID accuracy. Our method leverages deep learning architectures—PointNet for processing point cloud data and LSTM for analyzing trajectory patterns—to capture both instantaneous behavioral characteristics and temporal movement patterns. Through experiments conducted with 33,110 trajectories in a university campus setting, our combined approach achieved 90.0% accuracy in predicting three destination categories (entrance, elevator/stairs, and meeting rooms), significantly out-performing single-modality approaches. The results demonstrate that early behavioral cues indeed carry significant predictive power for destination estimation. These findings have important implications for improving person tracking across distributed sensor networks and enabling proactive facility management systems.
解説
大きな施設で人の動きを把握しようとすると、センサの視野が途切れる場所が必ず出てきます。あるセンサの範囲から出た人が別のセンサの範囲に現れたとき、それが同じ人だと結びつける処理を人物再同定と呼びますが、候補が多いほど間違えやすくなります。
本研究の着眼点は、行き先が分かれば候補を大きく絞れるという点です。エレベーターに向かっている人と出口に向かっている人では次に現れるセンサが違うので、移動の早い段階で行き先を当てられれば、再同定の探索範囲そのものを狭められます。
そのために使っているのが二種類の情報です。一つは 3 次元 LiDAR の点群で、その瞬間の姿勢や体の向きといった振る舞いの特徴を捉えます。もう一つは軌跡で、これまでどう動いてきたかという時間的なパターンを表します。点群の処理には PointNet を、軌跡の解析には LSTM を使っています。PointNet は点の並び順に依存せず点群を直接扱えるネットワークで、点群という順序のないデータ形式に向いています。
大学キャンパスで得た 33,110 本の軌跡を使った実験では、入口、エレベーターと階段、会議室という三つの行き先カテゴリの予測で 90.0% の精度に達し、片方の情報だけを使う場合を大きく上回りました。移動の早い段階の振る舞いに行き先を示す手がかりが実際に含まれていることを示しており、分散配置したセンサ網をまたいだ人物追跡や、先回りした施設運用につながります。
関連する研究室活動
