从自我中心深度图像进行未来定位

本文提出一种未来定位方法：给定一幅深度图像，预测一组合理的自我运动轨迹。我们预测避开障碍物的路径、物体间的路径，甚至是绕过拐角进入物体后方空间的路径。作为预测自我运动轨迹的副产品，我们在图像中发现了被前景物体遮挡的空旷空间。该算法不使用基于图像的特征，如语义标注/分割或物体检测/识别。受 proxemics 启发，我们使用 EgoSpace 地图（类似于旅游示意图）表示人周围的空间，该地图在自我中心坐标系中度量遮挡可能性。未来自我运动轨迹由紧凑轨迹基的线性组合建模，使我们能够约束预测轨迹。我们从 EgoMotion 数据集学习 EgoSpace 地图与轨迹之间的关系，该数据集提供未来轨迹的现场测量。通过最小化考虑前景物体部分遮挡的代价函数来预测轨迹。该代价函数生成一条穿过遮挡空间的轨迹，从而让我们发现前景物体后方的空旷空间。我们定量评估了该方法以展示预测有效性，并应用于包括行走、购物和社交互动在内的多种真实场景。