学习轨迹条件关系以预测行人过街行为
计算机视觉与模式识别
2023-01-18 v1
摘要
在智能交通中，智能系统通过预测交通参与者（尤其是行人）的意图来避免潜在碰撞。行人意图被定义为未来的动作（例如开始过街），可能取决于交通环境。在本文中，我们开发了一个框架，以在给定观察到的行人轨迹和场景帧的情况下纳入这种依赖关系。我们的框架首先将行人与周围环境之间随时间变化的区域联合信息编码为特征图向量。然后从成对的特征图向量中提取全局关系表示，以在过往轨迹条件下估计意图。我们在两个公开数据集上评估了我们的方法，并与两种 SOTA 方法进行了比较。实验结果表明，我们的方法有助于提示过街事件中的潜在风险，在 JAAD 数据集上 F1 分数提高了 0.04，在 PIE 数据集上召回率提高了 0.01。此外，我们进行了消融实验，以确认我们框架中关系提取的贡献。
引用
@article{arxiv.2301.05796,
title = {Learning Trajectory-Conditioned Relations to Predict Pedestrian Crossing Behavior},
author = {Chen Zhou and Ghassan AlRegib and Armin Parchami and Kunjan Singh},
journal= {arXiv preprint arXiv:2301.05796},
year = {2023}
}