面向轨迹预测的部分可检测行人稀疏交互图学习
机器人学
2022-02-04 v3 计算机视觉与模式识别
摘要
多行人轨迹预测是自主系统在非结构化环境中安全与人群交互不可或缺的组成部分。近期许多轨迹预测算法的工作集中于理解行人运动背后的社会规范。然而我们观察到这些工作通常持有两项假设，阻碍了它们向机器人应用的平滑迁移：(1) 所有行人的位置被持续跟踪；(2) 目标智能体关注场景中全部行人。第一项假设导致在不完整行人数据下的偏置交互建模。第二项假设引入了冗余周边信息的聚合，目标智能体可能受不重要邻居影响或表现出过度保守的运动。为此，我们提出 Gumbel Social Transformer，其中 Edge Gumbel Selector 在每个时间步采样部分可检测行人的稀疏交互图。Node Transformer Encoder 与 Masked LSTM 利用采样的稀疏图编码行人特征以预测轨迹。我们证明我们的模型克服了上述假设引起的潜在问题，且我们的方法在轨迹预测基准上优于相关工作。代码见 \url{https://github.com/tedhuang96/gst}。
引用
@article{arxiv.2107.07056,
title = {Learning Sparse Interaction Graphs of Partially Detected Pedestrians for Trajectory Prediction},
author = {Zhe Huang and Ruohua Li and Kazuki Shin and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2107.07056},
year = {2022}
}
备注
8 pages, 6 figures, Accepted by RA-L with ICRA 2022 presentation option