具有可解释行为不确定性的人体轨迹预测
计算机视觉与模式识别
2023-07-06 v1 人工智能
摘要
人体轨迹预测有助于理解和预测人类行为，支撑从社交机器人到自动驾驶汽车的应用，因此已被大量研究。大多数现有方法可分为无模型与基于模型的方法。无模型方法具有更优的预测精度但缺乏可解释性，而基于模型的方法提供可解释性但预测效果不佳。结合两种方法，我们提出一种新的贝叶斯神经随机微分方程模型 BNSP-SFM，其中行为 SDE 模型与贝叶斯神经网络（BNNs）相结合。神经网络提供优越的预测能力，而 SDE 提供具有行为与观测中可量化不确定性的强可解释性。我们表明，与 11 种最先进方法相比，BNSP-SFM 在预测精度上实现了高达 50% 的提升。BNSP-SFM 对具有不同环境与人群密度的截然不同场景也具有更好的泛化能力（约为测试数据的 20 倍）。最后，BNSP-SFM 能提供带置信度的预测，以更好地解释行为的潜在成因。代码将在录用后发布。
引用
@article{arxiv.2307.01817,
title = {Human Trajectory Forecasting with Explainable Behavioral Uncertainty},
author = {Jiangbei Yue and Dinesh Manocha and He Wang},
journal= {arXiv preprint arXiv:2307.01817},
year = {2023}
}