基于注意力机制 LSTM 的人体轨迹预测
计算机视觉与模式识别
2023-09-04 v1 机器人学
摘要
在本文中，我们提出一种结合长短期记忆（LSTM）网络与注意力机制的人体轨迹预测模型。为此，我们利用注意力分数确定模型在预测时应关注输入数据的哪些部分。对每个输入特征计算注意力分数，分数越高表明该特征在预测输出时的重要性越大。最初，这些分数针对目标人体位置、速度及其邻近个体的位置与速度确定。通过使用注意力分数，我们的模型可优先处理输入数据中最相关的信息并作出更准确预测。我们从注意力机制中提取注意力分数，并将其整合进轨迹预测模块以预测人体未来轨迹。为此，我们引入一个新的神经层，在提取注意力分数后对其进行处理并与位置信息拼接。我们在公开 ETH 与 UCY 数据集上评估本方法，并使用最终位移误差（FDE）与平均位移误差（ADE）指标衡量性能。我们表明，改进后的算法在预测拥挤空间中行人未来轨迹方面优于 Social LSTM。具体而言，与文献中 Social LSTM 结果相比，我们的模型在 ADE 上提升 6.2%，在 FDE 上提升 6.3%。
引用
@article{arxiv.2309.00331,
title = {Human trajectory prediction using LSTM with Attention mechanism},
author = {Amin Manafi Soltan Ahmadi and Samaneh Hoseini Semnani},
journal= {arXiv preprint arXiv:2309.00331},
year = {2023}
}
备注
10 pages, 8 figures