记住意图: 基于回溯记忆的轨迹预测
计算机视觉与模式识别
2022-03-23 v1
摘要
为实现轨迹预测,以往多数方法采用基于参数的方法,将所见过的所有过去-未来实例对编码进模型参数。然而,这种方式下模型参数来源于所有见过的实例,意味着海量不相关的见过实例也可能参与预测当前情形,干扰性能。为在当前情形与见过实例间提供更明确的联系,我们模仿神经心理学中的回溯记忆机制,提出MemoNet,一种基于实例的方法,通过在训练数据中寻找相似场景来预测智能体的运动意图。在MemoNet中,我们设计了一对记忆库以显式存储训练集中的代表性实例,充当神经系统中的前额叶皮层,以及一个可训练的记忆寻址器来自适应地在记忆库中搜索与当前情形相似的实例,其作用类似基底节。预测期间,MemoNet通过使用记忆寻址器索引记忆库中的相关实例来回忆先前记忆。我们进一步提出一个两步轨迹预测系统,第一步利用MemoNet预测目的地,第二步根据预测目的地补全整条轨迹。实验表明,所提MemoNet在SDD/ETH-UCY/NBA数据集上将FDE较先前最佳方法提升了20.3%/10.2%/28.3%。实验还表明我们的MemoNet能够在预测时回溯到特定实例,提升了可解释性。
引用
@article{arxiv.2203.11474,
title = {Remember Intentions: Retrospective-Memory-based Trajectory Prediction},
author = {Chenxin Xu and Weibo Mao and Wenjun Zhang and Siheng Chen},
journal= {arXiv preprint arXiv:2203.11474},
year = {2022}
}
备注
Accepted by CVPR2022