面向行人轨迹预测的多阶段目标驱动网络
计算机视觉与模式识别
2024-06-27 v1
摘要
行人轨迹预测在确保自动驾驶车辆和交通管理系统等各种应用的安全与效率方面发挥着关键作用。本文提出一种新方法，用于行人轨迹预测，称为多阶段目标驱动网络（MGNet）。与依赖逐步递归预测和单一长期目标预测的先前方法不同，MGNet 通过预测中间阶段目标来指导轨迹生成，从而减少预测误差。该网络包含三个主要组件：条件变分自编码器（CVAE）、注意力模块和多阶段目标评估器。使用条件变分自编码器对轨迹进行编码，以获取关于行人未来轨迹分布的知识，并结合注意力机制捕获轨迹序列之间的时序依赖性。关键组件是多阶段目标评估器，它利用编码后的特征向量预测中间目标，有效最小化递归推理过程中的累积误差。通过在 JAAD 和 PIE 数据集上的全面实验表明，MGNet 的有效性。与最新算法的比较评估显示，我们提出的方法实现了显著的性能提升。
引用
@article{arxiv.2406.18050,
title = {A Multi-Stage Goal-Driven Network for Pedestrian Trajectory Prediction},
author = {Xiuen Wu and Tao Wang and Yuanzheng Cai and Lingyu Liang and George Papageorgiou},
journal= {arXiv preprint arXiv:2406.18050},
year = {2024}
}
备注
Paper accepted by 5th International Conference on Computer Vision, Image and Deep Learning (CVIDL 2024)