手持ちスマホからの歩行者進路予測：世界座標系ヒートマップ、視覚慣性高度ドリフト、正解データなしの評価

手持ちスマートフォンの単眼カメラと visual-inertial odometry (VIO) だけで、周囲の歩行者の数秒先の位置を確率的に予測するシステム。 - 人を検出し、ray-plane intersection で床面に投影し、重力整合した metric frame で追跡する。 - 予測は small U-Net により per-step probability map として出力。 - bird's-eye (SDD) と first-person (EgoTraj-Bench) の軌跡で negative log-likelihood (NLL) 損失を用いて学習。 - 予測は地面に固定され、calibrated で、単眼カメラと VIO のみを必要とする。

従来の歩行者予測は固定カメラや外部センサを前提とすることが多いが、本研究は手持ちスマホの単眼カメラと VIO のみで world-frame の確率予測を実現。 - 予測を地面に固定し、calibrated に保つ点が新しい。 - 地上真値なしで評価する手法を提案し、内部事前登録された評価を実施。 - ベンチマーク適合の constant-velocity Gaussian ベースラインと比較して NLL を低減。

人検出→ray-plane intersection で床面にリフト→重力整合 metric frame で追跡→small U-Net で per-step probability map を予測。 - NLL 損失で学習。 - 手持ち ADVIO 録画では VIO の垂直ドリフトとユーザの階層移動が単眼地面位置を再スケールする問題に対し、カメラ高さを床から一定に保つ（低域通過フィルタされた高度を使用）ことで回避。 - ただしエスカレータでは遅れが生じる。

SDD と EgoTraj-Bench のテスト分割で、4.8 秒時点の NLL を fitted constant-velocity Gaussian と比較して 1.51 および 1.37 nats 低減。 - 手持ちビデオでは地上真値がないため、トラッカ自身の後の raw measurements に対して予測をスコアリング。 - 7 つの held-out クリップでの内部事前登録評価で、1.2, 2.4, 4.8 秒で NLL がベースラインより低い（0.17, 0.23, 0.47 nats; 95% 区間は人に対してゼロを除外）。 - ただし開発クリップより改善幅は半分以下。

探索的分析は両刃：人ではなくクリップをリサンプリングすると 1.2 と 2.4 秒で区間がゼロを含む。 - 両予測器を開発クリップで再キャリブレーションすると、ネットワークは 1.2 秒でのみ有意に優れる。 - ADVIO の参照ポーズで実行した 2 クリップでは、スマホ自身のポーズで再実行するとネットワークがより有利。 - 自己整合性スコアが示せることと示せないことについて議論。

要旨で参照/比較されている研究：constant-velocity Gaussian ベースライン、SDD (bird's-eye)、EgoTraj-Bench (first-person)、ADVIO。 - 関連手法として visual-inertial odometry (VIO)、U-Net、negative log-likelihood (NLL) 損失。 - 同分野の定番として pedestrian trajectory forecasting のベンチマーク（例：ETH/UCY, SDD）や評価手法（ADE/FDE, NLL）が挙げられる。