从目标、路径点与轨迹到长期人体轨迹预测
计算机视觉与模式识别
2020-12-04 v1 人工智能
机器人学
摘要
人体轨迹预测本质上是一个多模态问题。未来轨迹的不确定性源于两个来源：(a) 智能体已知但模型未知的来源，例如长期目标；(b) 智能体与模型均未知的来源，例如其他智能体的意图以及决策中不可约的随机性。我们提议将这种不确定性分解为其认知(epistemic)与偶然(aleatoric)来源。我们通过长期目标的多模态来建模认知不确定性，并通过路径点与轨迹的多模态来建模偶然不确定性。为阐明这一二分法，我们还提出了一种新颖的长期轨迹预测设定，预测时域长达一分钟，比先前工作长一个数量级。最后，我们提出 Y-net，一种场景兼容的轨迹预测网络，它利用所提出的认知与偶然结构，在长预测时域内实现多样化的轨迹预测。Y-net 在以下两方面显著提升了先前的最优(state-of-the-art)性能：(a) Stanford Drone 与 ETH/UCY 数据集上被广泛研究的短预测时域设定；(b) 重新利用的 Stanford Drone 与 Intersection Drone 数据集上所提出的长预测时域设定。
引用
@article{arxiv.2012.01526,
title = {From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting},
author = {Karttikeya Mangalam and Yang An and Harshayu Girase and Jitendra Malik},
journal= {arXiv preprint arXiv:2012.01526},
year = {2020}
}
备注
14 pages, 7 figures (including 2 GIFs)