RealTraj: 面向真实场景的行人轨迹预测
计算机视觉与模式识别
2025-03-11 v3
摘要
本文同时解决传统行人轨迹预测中的三个关键局限性：行人感知误差、真实数据收集成本以及人员 ID 标注成本。我们提出了一种新框架 RealTraj，以增强轨迹预测的真实世界适用性。我们的方法包括两个训练阶段——对合成数据进行自监督预训练和使用有限真实数据进行弱监督微调——以最小化数据收集工作量。为提高对真实世界误差的鲁棒性，我们关注模型设计和训练目标。具体而言，我们提出了 Det2TrajFormer，这是一种对跟踪噪声不变的轨迹预测模型，利用过去的检测结果作为输入。此外，我们通过多个预任务进行预训练，这些预任务增强了鲁棒性，并仅基于检测数据即可提高预测性能。与以往的轨迹预测方法不同，我们的方法仅使用 ground-truth 检测进行微调，减少了昂贵的人体 ID 标注需求。在实验中，我们全面验证了所提方法针对上述局限性的有效性，该方法在多个数据集上均优于当前最先进的轨迹预测方法。代码将在 https://fujiry0.github.io/RealTraj-project-page 发布。
引用
@article{arxiv.2411.17376,
title = {RealTraj: Towards Real-World Pedestrian Trajectory Forecasting},
author = {Ryo Fujii and Hideo Saito and Ryo Hachiuma},
journal= {arXiv preprint arXiv:2411.17376},
year = {2025}
}