生成可靠且高效的人体运动预测：物理学与神经网络的有望交汇
机器人学
2022-03-04 v1
摘要
对场景中行人运动的准确且高效预测，是开发在混杂区域中移动机器人的有效运动规划算法的关键，错误的规划决策可能带来安全隐患或仅使机器人的存在“ socially”不可接受。我们预测人体运动的方法基于一种特殊类型的神经网络。与常规深度神经网络不同，我们的网络在其结构中嵌入了流行的社会力模型（Social Force Model）——一种以物理术语描述运动的动力学方程。这一选择使我们能将学习阶段集中于真正未知的部分（即模型参数），并保持网络结构简洁可控。结果，我们仅用小型合成生成的训练集便获得了良好的预测精度，且即便网络应用于与其训练场景迥异的情形时精度仍可接受。最后，网络的选择是“可解释的”，因为它们可用物理术语解释。对比与实验结果证明了所提方法的有效性。
引用
@article{arxiv.2006.08429,
title = {Generating Reliable and Efficient Predictions of Human Motion: A Promising Encounter between Physics and Neural Networks},
author = {Alessandro Antonucci and Gastone Pietro Rosati Papini and Luigi Palopoli and Daniele Fontanelli},
journal= {arXiv preprint arXiv:2006.08429},
year = {2022}
}
备注
This paper was submitted to the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) on the 03/01/2020, and is still under review