用于行人轨迹编码的非对称双向 RNN
计算机视觉与模式识别
2021-06-22 v2 人工智能
摘要
行人运动行为涉及个体目标与其他智能体之间社会交互的组合。本文提出一种称为 U-RNN 的非对称双向循环神经网络架构，用于编码行人轨迹，并评估其在多种预测模型中替代 LSTM 的适用性。在 Trajnet++ 基准上的实验结果表明，对于多种方法与交互模块，U-LSTM 变体在各项可用指标（ADE、FDE、碰撞率）上均优于常见轨迹编码器，表明所提方法是事实上的序列编码 RNN 的可行替代方案。我们针对 Trajnet++ 基准实现的非对称双向 RNN 已发布于：github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-to-encode-pedestrian-trajectories
引用
@article{arxiv.2106.04419,
title = {Asymmetrical Bi-RNN for pedestrian trajectory encoding},
author = {Raphaël Rozenberg and Joseph Gesnouin and Fabien Moutarde},
journal= {arXiv preprint arXiv:2106.04419},
year = {2021}
}
备注
7 pages