面向行人轨迹预测的知识感知图Transformer
计算机视觉与模式识别
2024-01-11 v1 机器学习
机器人学
摘要
预测行人运动轨迹对于自动驾驶车辆的路径规划与运动控制至关重要。由于人类运动在不同环境中的不确定性，准确预测人群轨迹极具挑战性。在训练方面，近期基于深度学习的预测方法主要利用轨迹历史以及行人间的交互等信息。由于训练数据集之间的差异未被恰当整合，这可能限制模型在不同场景下的预测性能。为克服此局限，本文提出一种图Transformer结构以提升预测性能，捕捉数据集中包含的不同地点与场景间的差异。特别地，我们设计了一种自注意力机制和领域自适应模块，以提升模型的泛化能力。此外，引入了一种考虑跨数据集序列的额外度量指标，用于训练和性能评估。所提出的框架在流行的公开数据集（即ETH和UCY）上进行了验证并与现有方法进行了比较。实验结果证明了我们所提方案的性能提升。
引用
@article{arxiv.2401.04872,
title = {Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction},
author = {Yu Liu and Yuexin Zhang and Kunming Li and Yongliang Qiao and Stewart Worrall and You-Fu Li and He Kong},
journal= {arXiv preprint arXiv:2401.04872},
year = {2024}
}
备注
This paper was accepted to and presented at the 26th IEEE International Conference on Intelligent Transportation Systems (ITSC), September 2023