基于演员-评论家序列到序列自编码器的行人轨迹表示学习
机器学习
2018-11-21 v1 机器学习
摘要
行人轨迹表示学习将轨迹中变长时间戳-坐标元组转换为概括时空特征的定长向量表示，它是连接基于特征的数据挖掘与轨迹数据的关键技术。轨迹表示是一个具有挑战性的问题，因为环境约束（如墙体分隔）与行人时间动态均需被细致考虑与纳入。此外，使用最大对数似然的传统序列到序列自编码器常需覆盖所有可能时空特征的 dataset 才能表现良好，这在实际中不可行或不现实。我们提出TREP，一种实用的行人轨迹表示学习算法，它无需任何训练数据集即可捕捉环境约束与行人动态。通过将序列到序列自编码器在演员-评论家强化学习范式下配以空间感知目标函数，TREP智能编码轨迹的时空特征，并具备处理多样轨迹模式的能力。在合成与真实数据集上的大量实验验证了TREP表示轨迹的高保真度。
引用
@article{arxiv.1811.08069,
title = {Representation Learning of Pedestrian Trajectories Using Actor-Critic Sequence-to-Sequence Autoencoder},
author = {Ka-Ho Chow and Anish Hiranandani and Yifeng Zhang and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:1811.08069},
year = {2018}
}