基于可迁移 GNN 的自适应轨迹预测
计算机视觉与模式识别
2022-03-29 v2
摘要
行人轨迹预测是自动驾驶和机器人等众多人工智能应用中的关键组件。现有方法通常假设训练和测试时的运动遵循相同的模式，而忽略了潜在的分布差异（例如购物中心和街道）。这一问题导致了不可避免的性能下降。为了解决这一问题，我们提出了一种新颖的可迁移图神经网络框架，该框架在统一框架中联合进行轨迹预测和域对齐。具体而言，我们提出了一种域不变 GNN 来探索结构性运动知识，其中域特定知识被削减。此外，进一步提出了一种基于注意力的自适应知识学习模块，以探索用于知识迁移的细粒度个体级特征表示。通过这种方式，不同轨迹域之间的差异将得到更好的缓解。我们设计了更具挑战性且实用的轨迹预测实验，实验结果验证了我们提出的模型的优越性能。据我们所知，我们的工作是填补跨不同域的实用行人轨迹预测基准和技术空白的先驱。
引用
@article{arxiv.2203.05046,
title = {Adaptive Trajectory Prediction via Transferable GNN},
author = {Yi Xu and Lichen Wang and Yizhou Wang and Yun Fu},
journal= {arXiv preprint arXiv:2203.05046},
year = {2022}
}
备注
Accepted by CVPR 2022