面向多模态轨迹预测的行人群体表示学习
计算机视觉与模式识别
2022-07-21 v1 机器学习
机器人学
摘要
对行人行走动态建模是计算机视觉中由来已久的问题。许多涉及行人轨迹预测的已有工作定义了特定的一组个体动作以隐式建模群体动作。本文中，我们提出一种名为 GP-Graph 的新架构，其具有集体群体表示，用于在拥挤环境中进行有效的行人轨迹预测，并且兼容所有类型的已有方法。GP-Graph 的一个核心思想是将个体间与群体间关系均建模为图表示。为此，GP-Graph 首先学习将每名行人分配到最可能的行为群体。利用该分配信息，GP-Graph 随后将群内与群间交互分别构建为图，以刻画群体内的人-人关系与群体间的群体-群体关系。具体而言，对于群内交互，我们将属于某群体的行人图边之外的边予以掩蔽。我们还提出群体池化与反池化操作，以将含多名行人的群体表示为一个图节点。最后，GP-Graph 从两类群体交互的融合特征中推断 socially-acceptable 未来轨迹的概率图。此外，我们引入群体级隐向量采样，以确保对一组可能未来轨迹的集体推断。我们进行了充分实验来验证架构的有效性，在公开基准上展示了持续的性能提升。代码公开于 https://github.com/inhwanbae/GPGraph。
引用
@article{arxiv.2207.09953,
title = {Learning Pedestrian Group Representations for Multi-modal Trajectory Prediction},
author = {Inhwan Bae and Jin-Hwi Park and Hae-Gon Jeon},
journal= {arXiv preprint arXiv:2207.09953},
year = {2022}
}
备注
Accepted at ECCV 2022