基于双块RNN的不完整轨迹预测
计算机视觉与模式识别
2022-03-17 v2
摘要
轨迹预测近年来受到极大关注并取得显著进展。然而，多数工作依赖于一个关键假设，即每段视频都已被检测与跟踪算法成功预处理，且完整的观测轨迹始终可用。但在复杂真实环境中，我们常因图像条件恶劣（如被其他智能体遮挡）而遇到目标智能体（如行人、车辆）的漏检。本文处理因漏检导致观测轨迹不完整（即观测轨迹包含若干缺失数据点）时的轨迹预测问题。我们引入了一种双块RNN模型，该模型近似贝叶斯滤波框架的推断步骤，并在发生漏检时寻求隐状态的最优估计。该模型根据检测结果使用两个RNN：当检测成功时，一个RNN利用新测量值近似贝叶斯滤波器的推断步骤；当检测失败时，另一个RNN进行近似。我们的实验表明，在公开数据集 ETH 和 UCY 上，相较于三种基线填补方法，所提模型提升了预测精度（在 ADE 和 FDE 指标上分别提升 和 ）。我们还表明，在无漏检时，所提方法也能取得优于基线的预测效果。
引用
@article{arxiv.2203.07098,
title = {A Two-Block RNN-based Trajectory Prediction from Incomplete Trajectory},
author = {Ryo Fujii and Jayakorn Vongkulbhisal and Ryo Hachiuma and Hideo Saito},
journal= {arXiv preprint arXiv:2203.07098},
year = {2022}
}
备注
Accepted by IEEE Access