用于轨迹预测的多模态深度生成模型：一种条件变分自编码器方法
机器人学
2020-11-24 v2 人机交互
机器学习
摘要
人类行为预测模型使机器人能够预判人类可能对其动作作何反应，因此对于设计安全且主动的机器人规划算法至关重要。然而，在此类交互场景中建模复杂的交互动力学并捕捉多种可能结果的可能性极具挑战性，这近期促使了若干不同方法的研究。本工作中，我们提供了一份关于条件变分自编码器（CVAE）人类行为预测方法的自包含教程，该方法核心能够生成以过去交互和候选机器人未来动作为条件的未来人类轨迹的多模态概率分布。具体而言，本教程论文的目标是梳理并建立人类行为预测中最先进方法的分类体系（从基于物理的方法到纯数据驱动方法），对数据驱动的、基于 CVAE 的方法给出严谨且易于理解的描述，强调使其成为人机交互基于模型规划中有吸引力模型的重要设计特征，并提供使用该类模型时的重要设计考量。
引用
@article{arxiv.2008.03880,
title = {Multimodal Deep Generative Models for Trajectory Prediction: A Conditional Variational Autoencoder Approach},
author = {Boris Ivanovic and Karen Leung and Edward Schmerling and Marco Pavone},
journal= {arXiv preprint arXiv:2008.03880},
year = {2020}
}
备注
8 pages, 3 figures, 2 tables. IEEE Robotics and Automation Letters (RA-L), 2020