基于长期自主移动机器人部署数据学习的 3DOF 行人轨迹预测
计算机视觉与模式识别
2017-10-03 v1 机器人学
摘要
本文提出了一种用于自主移动服务机器人的新型 3DOF 行人轨迹预测方法。以往大多数报告的方法基于单目相机图像中的 2D 位置学习，而我们的方法使用测距传感器来学习和预测 3DOF 位姿轨迹（即世界坐标系内的 2D 位置加 1D 旋转）。我们的方法 T-Pose-LSTM（Temporal 3DOF-Pose Long-Short-Term Memory）使用来自真实世界机器人部署的长期数据进行训练，旨在学习上下文依赖（特定于环境和时间）的人类活动。我们的方法将长期时间信息（即日期和时间）与短期位姿观测相结合作为输入。我们训练了一个序列到序列的 LSTM 编码器-解码器，将观测编码至 LSTM 中，随后解码为预测结果。在部署时，它可以实时进行即时预测。我们未使用人工标注数据，而是依赖鲁棒的人类检测、跟踪和 SLAM 系统，从而在全球坐标系中为我们提供样本。我们使用在养老院环境中三个月内记录的超过 15K 条行人轨迹验证了该方法。实验表明，所提出的 T-Pose-LSTM 模型推进了长期移动机器人部署中用于人类轨迹预测的基于 2D 的 SOTA 方法。
引用
@article{arxiv.1710.00126,
title = {3DOF Pedestrian Trajectory Prediction Learned from Long-Term Autonomous Mobile Robot Deployment Data},
author = {Li Sun and Zhi Yan and Sergi Molina Mellado and Marc Hanheide and Tom Duckett},
journal= {arXiv preprint arXiv:1710.00126},
year = {2017}
}
备注
7 pages, conference