融合群体线路信息以增强行人轨迹预测
计算机视觉与模式识别
2024-09-24 v1 人工智能
机器学习
摘要
行人轨迹预测是提升主动交通管理、城市规划、交通控制、群体管理和自动驾驶等领域性能，旨在提高交通安全和效率的关键技术。准确预测行人轨迹需要深入理解个体行为、社交互动和道路环境。现有研究发展出各种模型来捕捉社交互动和道路条件对行人轨迹的影响。然而，这些方法受限于缺乏对社交互动和道路环境的全面视图。为克服这些限制并提高行人轨迹预测的准确度，我们提出了一种新方法，将线路信息作为一种新的模态融入行人轨迹模型。我们提出了RNTransformer，一个通用模型，利用群体线路信息来捕捉社交互动的全局信息。我们将RNTransformer与各种社交感知的本地行人轨迹预测模型集成，以展示其性能。具体而言，通过在训练不同的行人轨迹预测模型时利用预训练的RNTransformer，我们观察到在 Social-LSTM、Social-STGCNN 和 S-Implicit 上的ADE/FDE 分别实现了1.3%/2.2%、6.5%/28.4% 和 8.6%/4.3% 的性能提升。评估结果表明，RNTransformer 在多个数据集上显著提升了各种行人轨迹预测模型的准确度。进一步的调查表明，RNTransformer 由于考虑了全局信息，能够引导本地模型更准确地预测。通过探索道路网络中的群体行为，我们的方法在通过准确轨迹预测提高行人安全方面展现出巨大的潜力。
引用
@article{arxiv.2409.15224,
title = {Enhancing Pedestrian Trajectory Prediction with Crowd Trip Information},
author = {Rei Tamaru and Pei Li and Bin Ran},
journal= {arXiv preprint arXiv:2409.15224},
year = {2024}
}