用于轨迹仿真中速度控制的条件生成对抗网络
计算机视觉与模式识别
2021-03-23 v1
摘要
运动行为由若干因素驱动——目标、邻域智能体的存在与动作、社会关系、物理与社会规范、具有可变特征的环境等。多数因素不可直接观测，必须从上下文建模。因此轨迹预测是一个难题，近年来受到研究者日益增多的关注。在应用中，运动预测必须真实、多样且可控。尽管多模态轨迹生成受到越来越多的关注，大多数方法仍缺乏显式控制数据生成不同模态的手段。此外，多数尝试大力设计特殊机制以在潜空间学习交互。我们提出条件速度 GAN（CSG），其基于用户控制的速度，允许受控生成多样且社会可接受的轨迹。在预测期间，CSG 从潜空间预测未来速度并基于此条件进行生成。CSG 在基准距离度量上与最先进的 GAN 方法相当，同时简单且有益于针对不同语境（如快节奏或慢节奏环境）的仿真与数据增强。此外，我们比较了不同聚合机制的效果，表明朴素的拼接方法与注意力及池化替代方案性能相当。
引用
@article{arxiv.2103.11471,
title = {Conditional Generative Adversarial Networks for Speed Control in Trajectory Simulation},
author = {Sahib Julka and Vishal Sowrirajan and Joerg Schloetterer and Michael Granitzer},
journal= {arXiv preprint arXiv:2103.11471},
year = {2021}
}