基于动力学时空图的长期人类运动预测
机器人学
2025-10-06 v1
摘要
长期人类运动预测 (LHMP) 对在与人类共享环境的自主机器人和车辆的安全高效运行至关重要。准确的预测对于包括运动规划、跟踪、人机交互和安全监控等应用至关重要。本文利用动力学图 (MoD) 来实现 LHMP，这些图将空间或时空运动模式编码为环境特征，支持最长 60 秒的预测时程。我们提出一种受 MoD 启发的 LHMP 框架，支持各种类型的 MoD，并包括一种排名方法输出最可能的预测轨迹，提高了在机器人中的实际实用性。进一步引入时间条件 MoD 以捕捉不同时间段下运动模式的变化。我们对在两种真实数据集上实现的三种 MoD 类型进行评估。实验表明，受 MoD 启发的方法在平均位移误差上优于基于学习的方法，提升最高可达 50%，而时间条件变体总体实现了最高的准确率。项目代码可在 https://github.com/test-bai-cpu/LHMP-with-MoDs.git 获取。
引用
@article{arxiv.2510.03031,
title = {Long-Term Human Motion Prediction Using Spatio-Temporal Maps of Dynamics},
author = {Yufei Zhu and Andrey Rudenko and Tomasz P. Kucner and Achim J. Lilienthal and Martin Magnusson},
journal= {arXiv preprint arXiv:2510.03031},
year = {2025}
}
备注
IEEE Robotics and Automation Letters