基于随机权重社交互动学习的行人轨迹预测
计算机视觉与模式识别
2025-01-15 v1 多媒体
摘要
行人轨迹预测是实现完全人工智能驾驶汽车演进的关键技术。近年来，围绕行人轨迹建模其社交互动的研究迅速兴趲盛起，以获得更精确的轨迹预测。然而，现有方法依赖预定义规则，难以捕捉非显式的社交互动。本文提出一种新框架 DTGAN，将生成对抗网络 (GAN) 的应用扩展至图序列数据，主要目标是自动捕捉隐式社交互动，实现对行人轨迹的精确预测。DTGAN 创新性地在每个图中引入随机权重，以消除对预定义互动规则的依赖。我们进一步通过探索对抗训练中的多样任务损失函数来提升 DTGAN 的性能，分别在 ADE 和 FDE 指标上实现 16.7% 和 39.3% 的提升。我们在两个公开数据集上验证了该框架的有效性和准确性。实验结果表明，我们提出的 DTGAN 能够实现卓越的性能，能够深入理解行人的意图。
引用
@article{arxiv.2501.07711,
title = {Pedestrian Trajectory Prediction Based on Social Interactions Learning With Random Weights},
author = {Jiajia Xie and Sheng Zhang and Beihao Xia and Zhu Xiao and Hongbo Jiang and Siwang Zhou and Zheng Qin and Hongyang Chen},
journal= {arXiv preprint arXiv:2501.07711},
year = {2025}
}
备注
13 pages,7 figures,Accepted to IEEE Transactions on Multimedia (TMM)