Bio-LSTM：一种用于三维行人姿态与步态预测的生物力学启发循环神经网络
机器人学
2019-09-16 v3 计算机视觉与模式识别
机器学习
摘要
在自动驾驶等应用中，理解、推断并预见行人的意图和未来行为十分重要。这种能力使车辆能够避免碰撞并提升行驶安全性与舒适性。本文提出一种生物力学启发的循环神经网络（Bio-LSTM），在已知先前帧中估计的带有误差的三维姿态和位置的情况下，可在全局坐标系下预测行人的位置和三维关节化身体姿态。所提出的网络能够同时预测多名行人的姿态和全局位置，适用于距相机达45米（城市交叉口尺度）的行人。所提网络的输出是以Skinned Multi-Person Linear（SMPL）模型参数表示的全身三维网格。该方法依赖于一种新颖的目标函数，其融合了人体行走（步态）的周期性、人体的镜像对称性以及人体步态周期中地面反作用力的变化。本文给出了在PedX数据集上的预测结果，该数据集是在真实城市交叉口采集的大规模、野外场景、具有密集行人交通的数据集。结果表明，所提网络能成功学习行人步态特征并生成准确且一致的三维姿态预测。
引用
@article{arxiv.1809.03705,
title = {Bio-LSTM: A Biomechanically Inspired Recurrent Neural Network for 3D Pedestrian Pose and Gait Prediction},
author = {Xiaoxiao Du and Ram Vasudevan and Matthew Johnson-Roberson},
journal= {arXiv preprint arXiv:1809.03705},
year = {2019}
}
备注
Typo corrected after Eq.(2)