面向行人意图与轨迹预测的情境感知多任务学习
计算机视觉与模式识别
2024-07-25 v1 机器人学
摘要
社交感知的自动驾驶车辆的发展取决于对人类行为的精确建模。在这一宽泛范畴内，具体挑战在于准确预测行人的轨迹和意图。传统方法侧重于历史轨迹数据，常常忽视诸如行人特征和环境因素等至关重要的情境线索。此外，轨迹与意图预测之间存在显著的知识鸿沟，因为这两者大多被作为独立问题来处理，尽管它们彼此依赖。为弥合这一鸿沟，我们引入 PTINet（行人轨迹与意图预测网络），通过结合过去的轨迹观察、局部情境特征（行人行为）和全局特征（标志、标线等）来联合学习轨迹和意图预测。我们的方法在广泛使用的公共数据集 JAAD 和 PIE 上进行了评估，其中在轨迹和意图预测方面已显示出优于现有 SOTA 模型的优越性能。我们的实验结果和消融研究稳健地验证了 PTINet 在联合探索意图和轨迹预测方面的有效性。实验结果表明，使用全局和局部情境特征进行行人轨迹和意图预测具有优势。PTINet 在预测行人行为方面的有效性为开发能够在城市环境中无缝与行人交互的自动化系统铺平了道路。
引用
@article{arxiv.2407.17162,
title = {Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction},
author = {Farzeen Munir and Tomasz Piotr Kucner},
journal= {arXiv preprint arXiv:2407.17162},
year = {2024}
}