CLiFF-LHMP：利用空间动态模式进行长期人体运动预测
机器人学
2023-09-14 v1
摘要
人体运动预测对于移动服务机器人和智能车辆在人群周围安全、平稳地运行十分重要。预测越准确，尤其是在较长时间范围内，系统便能更好地评估碰撞风险并提前规划。本文提出利用动态地图（MoDs，一类从先前观测中学习得到的、依赖于地点的空间运动模式的通用表示）来进行长期人体运动预测（LHMP）。我们提出了一种由 MoD 引导的人体运动预测新方法，名为 CLiFF-LHMP，该方法数据高效、可解释，并且对上游跟踪系统的误差不敏感。我们的方法使用 CLiFF-map，这是一种在同一环境中记录的人体运动数据上训练得到的特定 MoD。我们用来自 CLiFF-map 的样本对恒速预测进行偏置，以生成多模态轨迹预测。在两个公开数据集上，我们表明该算法在极长时间范围的预测上优于当前最优方法，在 50 秒时相比基线实现了 45% 更准确的预测性能。
引用
@article{arxiv.2309.07066,
title = {CLiFF-LHMP: Using Spatial Dynamics Patterns for Long-Term Human Motion Prediction},
author = {Yufei Zhu and Andrey Rudenko and Tomasz P. Kucner and Luigi Palmieri and Kai O. Arras and Achim J. Lilienthal and Martin Magnusson},
journal= {arXiv preprint arXiv:2309.07066},
year = {2023}
}
备注
Accepted to the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)