Grouptron：用于群体感知密集人群轨迹预测的动态多尺度图卷积网络
计算机视觉与模式识别
2022-03-08 v3 人工智能
机器人学
摘要
在高度动态和交互式的场景中进行准确的行人轨迹长期预测是一个长期存在的挑战。近期在使用数据驱动方法方面的进展在预测精度上取得了显著提升。然而，缺乏群体感知分析限制了预测模型的性能。这在高度拥挤的场景中尤为不可忽视，因为行人在群体中移动，且群体之间的交互极其复杂和动态。在本文中，我们提出了 Grouptron，这是一个多尺度动态预测框架，利用行人群体检测并利用个体级、群体级和场景级信息，以更好地理解和表示场景。我们的方法采用时空聚类算法来识别行人群体，在个体、群体和场景层面创建时空图。然后使用图神经网络编码不同尺度的动态，并聚合嵌入以进行轨迹预测。我们进行了广泛的比较和消融实验，以证明我们方法的有效性。我们的方法在 ETH/UCY 基准数据集上的最终位移误差（FDE）比 SOTA 方法降低了 9.3%，在人群群体交互更频繁出现的更拥挤场景中，FDE 降低了 16.1%。
引用
@article{arxiv.2109.14128,
title = {Grouptron: Dynamic Multi-Scale Graph Convolutional Networks for Group-Aware Dense Crowd Trajectory Forecasting},
author = {Rui Zhou and Hongyu Zhou and Huidong Gao and Masayoshi Tomizuka and Jiachen Li and Zhuo Xu},
journal= {arXiv preprint arXiv:2109.14128},
year = {2022}
}
备注
ICRA 2022 Accepted