HGCN-GJS：用于轨迹预测的分层图卷积网络与分组联合采样
计算机视觉与模式识别
2023-09-18 v3
摘要
准确的行人轨迹预测对于自动驾驶和移动机器人导航等下游任务具有重要意义。充分挖掘人群中的社交交互对于准确的行人轨迹预测至关重要。然而，现有大多数方法不能很好地捕捉群体层面的交互，仅关注成对交互而忽略了分组交互。在本工作中，我们提出了一种分层图卷积网络 HGCN-GJS 用于轨迹预测，该网络很好地利用了人群中的群体层面交互。此外，我们引入了一种新颖的联合采样方案，用于建模未来轨迹中多个行人的联合分布。该方案基于分组信息，将一个人的轨迹与组内其他人的轨迹相关联，同时保持组外人员轨迹的独立性。我们在多个轨迹预测数据集上展示了我们网络的性能，在所考虑的所有数据集上均取得了最先进的（state-of-the-art）结果。
引用
@article{arxiv.2009.07140,
title = {HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction},
author = {Yuying Chen and Congcong Liu and Xiaodong Mei and Bertram E. Shi and Ming Liu},
journal= {arXiv preprint arXiv:2009.07140},
year = {2023}
}
备注
6 pages, 8 figures, accepted by IROS 2022