基于行为伪标签信息的稀疏图卷积网络：面向行人和异构轨迹预测
计算机视觉与模式识别
2025-02-25 v2 人工智能
摘要
轨迹预测通过预测交通主体的短期未来运动，为自动驾驶或监视等应用的决策提供更好的依据。其分为行人轨迹预测和异构轨迹预测两类。前者利用行人行为相对一致的特点，但在包含自行车和车辆等异构交通主体的真实场景中受限。后者通常依赖额外的类别标签来区分异构主体，但此类标签昂贵且难以概括表示同一类别内主体的不同行为。本文引入行为伪标签，仅基于运动特征有效捕获行人和异构主体的行为分布，显著提高轨迹预测准确性。为实现该框架，我们提出行为伪标签信息驱动的稀疏图卷积网络（BP-SGCN），学习伪标签并将其传递给轨迹预测器。为优化，本文提出级联训练方案，即先以无监督方式学习伪标签，然后在提升轨迹预测准确性的方向上进行端到端微调。实验表明，我们的伪标签有效建模了不同的行为簇并提升了轨迹预测。我们提出的 BP-SGCN 在行人数据集（ETH/UCY、仅行人 SDD）和异构主体数据集（SDD、Argoverse 1）上均优于现有方法。
引用
@article{arxiv.2502.14676,
title = {BP-SGCN: Behavioral Pseudo-Label Informed Sparse Graph Convolution Network for Pedestrian and Heterogeneous Trajectory Prediction},
author = {Ruochen Li and Stamos Katsigiannis and Tae-Kyun Kim and Hubert P. H. Shum},
journal= {arXiv preprint arXiv:2502.14676},
year = {2025}
}