基于元路径分析的时空图行人轨迹预测
机器学习
2023-08-03 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
时空图（ST-graphs）已被用于建模时间序列任务，如交通预测、人体运动建模与动作识别。来自 ST-graphs 的高层结构及相应特征相较传统架构带来了性能提升。然而，尽管完整图结构提供了丰富信息，现有方法往往受限于简单特征，导致下游任务中的低效与次优表现。我们提出利用 ST-graphs 中源自元路径（跨不同类型边的游走）的特征来改进结构循环神经网络（Structural Recurrent Neural Network）。本文提出元路径增强结构循环神经网络（MESRNN），一种能以简单且可扩展方式应用于任意时空任务的通用框架。我们将 MESRNN 用于行人轨迹预测，利用这些基于元路径的特征捕捉不同时空点上行人轨迹间的关系。我们在标准数据集上将 MESRNN 与最先进的 ST-graph 方法比较，以展示元路径信息带来的性能提升。所提模型在长期时域上的轨迹预测中持续以超过 32% 的优势优于基线，并在密集人群中生成更具社会遵从性的轨迹。更多信息请参考项目网站 https://sites.google.com/illinois.edu/mesrnn/home。
引用
@article{arxiv.2202.13427,
title = {Meta-path Analysis on Spatio-Temporal Graphs for Pedestrian Trajectory Prediction},
author = {Aamir Hasan and Pranav Sriram and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2202.13427},
year = {2023}
}