Multiclass-SGCN：基于稀疏图并嵌入智能体类别的轨迹预测
计算机视觉与模式识别
2022-07-01 v1
摘要
真实场景中道路使用者的轨迹预测具有挑战性，因为其运动模式随机且复杂。先前面向行人的工作已成功建模行人间的复杂交互，但在涉及其他类型道路使用者（如汽车、骑行者等）时预测轨迹失败，因为它们忽略了使用者类型。尽管少数近期工作利用带有使用者标签信息的稠密连接图，但它们受困于多余的空间交互与时间依赖。为解决这些问题，我们提出 Multiclass-SGCN，一种基于稀疏图卷积网络的多类别轨迹预测方法，其考虑速度与会话标签信息，并使用一种新颖的交互掩码基于交互分数自适应决定智能体的空间与时间连接。所提方法在 Stanford Drone Dataset 上显著优于 SOTA 方法，提供更真实合理的轨迹预测。
引用
@article{arxiv.2206.15275,
title = {Multiclass-SGCN: Sparse Graph-based Trajectory Prediction with Agent Class Embedding},
author = {Ruochen Li and Stamos Katsigiannis and Hubert P. H. Shum},
journal= {arXiv preprint arXiv:2206.15275},
year = {2022}
}