用于泛化行人轨迹预测的循环对齐网络
计算机视觉与模式识别
2024-12-24 v2 人工智能
摘要
行人轨迹预测是计算机视觉和机器人学中的一个关键组件，但由于领域偏移问题仍然具有挑战性。先前的研究试图通过利用来自目标领域的部分轨迹数据来适应模型以解决这一问题。然而，这种领域适应方法在现实场景中是不切实际的，因为不可能从所有潜在的目标领域收集轨迹数据。在本文中，我们研究一项名为泛化行人轨迹预测的任务，旨在不访问未见领域轨迹的情况下将模型泛化至这些领域。为了解决这一任务，我们引入了一个循环对齐网络（RAN），通过领域对齐来最小化领域差距。具体而言，我们设计了一个循环对齐模块，通过循环对齐策略在时间状态和时间序列两个层面上有效地对齐轨迹特征空间。此外，我们引入了一个预对齐表示模块，将社会交互与循环对齐策略相结合，旨在在 alignment 过程中考虑社会交互，而不仅仅是目标轨迹。我们广泛地评估了我们的方法，并在三个广泛使用的基准上将其与 state-of-the-art 方法进行了比较。实验结果证明了我们方法卓越的泛化能力。我们的工作不仅填补了实用行人轨迹预测在泛化设置上的空白，还在该领域设定了强有力的基线。
引用
@article{arxiv.2403.05810,
title = {Recurrent Aligned Network for Generalized Pedestrian Trajectory Prediction},
author = {Yonghao Dong and Le Wang and Sanping Zhou and Gang Hua and Changyin Sun},
journal= {arXiv preprint arXiv:2403.05810},
year = {2024}
}