GraphTCN：用于人体轨迹预测的时空交互建模
计算机视觉与模式识别
2021-03-11 v6
摘要
及时准确地预测智能体邻域的未来路径是自动驾驶应用避免碰撞的核心。传统方法（如基于 LSTM 的模型）在预测中耗费可观的计算成本，尤其对于长序列预测。为支持更高效且准确的轨迹预测，我们提出一种新颖的基于 CNN 的时空图框架 GraphTCN，其将空间交互建模为社会图，并利用改进的时间卷积网络捕捉时空交互。与传统模型不同，我们的模型在空间与时间建模上均在各个局部时间窗内计算。因此，它可并行执行以大幅提高效率和同时保有与最佳性能方法相当的准确性。实验结果证实，在多个轨迹预测基准数据集上，我们的模型相较最先进（SOTA）模型在效率与准确性方面均取得更优表现。
引用
@article{arxiv.2003.07167,
title = {GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction},
author = {Chengxin Wang and Shaofeng Cai and Gary Tan},
journal= {arXiv preprint arXiv:2003.07167},
year = {2021}
}
备注
10 pages, 7 figures, 3 tables