学习用于多智能体轨迹预测的社会时间图
计算机视觉与模式识别
2023-12-25 v1
摘要
为了准确预测人群中行人的轨迹，必须持续考虑其与其他行人潜在的社会时间交互。与现有工作分别、部分或隐式地表示相关信息不同，我们提出了一种完整的表示方法，以充分且显式地捕获和分析这些信息。具体而言，我们引入了一种基于有向无环图的结构，称为社会时间图（STG），以显式捕获一群人在空间和时间上的成对社会时间交互。我们的模型构建在一个时变生成过程之上，其潜变量决定了 STG 的结构。我们设计了一种名为 STGformer 的基于注意力的模型，提供了一个端到端的流程来学习 STG 的结构以进行轨迹预测。我们的解决方案在两个大规模基准数据集中实现了整体最先进的预测精度。我们的分析表明，一个人的过去轨迹对于预测另一个人的未来路径至关重要。我们的模型通过强烈的社会时间局部性概念学习了这种关系。统计数据显示，显式利用此信息进行预测，相较于仅基于轨迹的方法，能产生显著的性能提升。
引用
@article{arxiv.2312.14373,
title = {Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction},
author = {Yuke Li and Lixiong Chen and Guangyi Chen and Ching-Yao Chan and Kun Zhang and Stefano Anzellotti and Donglai Wei},
journal= {arXiv preprint arXiv:2312.14373},
year = {2023}
}