基于场景历史的人体轨迹预测

由于人体运动的随机性和主观性，预测人的未来轨迹仍然是一个具有挑战性的问题。然而，在受限场景中，由于场景限制以及人-人、人-物交互，人的运动模式通常在某种程度上符合有限数量的规律性。因此，该场景中的个体也应遵循其中一条规律。换言之，一个人的后续轨迹很可能已被他人走过。基于这一假设，我们提出通过从隐式场景规律中学习来预测人的未来轨迹。我们将这些由场景中人群和环境的过去动态固有衍生的规律称为场景历史。我们将场景历史信息分为两类：历史群体轨迹与个体-周边交互。为利用这两类信息进行轨迹预测，我们提出了一种新颖的框架——场景历史挖掘网络（SHENet），以简单而有效的方式利用场景历史。具体而言，我们设计了两个组件：群体轨迹库模块，用于提取代表性群体轨迹作为未来路径的候选；跨模态交互模块，用于建模个体过去轨迹与其周边环境之间的交互以细化轨迹。此外，为缓解由上述人体运动的随机性和主观性导致的真值轨迹不确定性，我们提出将平滑性纳入训练过程与评估指标。我们在 ETH、UCY 以及一个新颖且具挑战性的基准数据集 PAV 上进行了大量评估，验证了所提框架的有效性，其性能优于当前最优方法。