Res-GCNN：一种用于行人轨迹预测的轻量级残差图卷积神经网络
计算机视觉与模式识别
2020-11-19 v1
摘要
自动驾驶车辆（ADV）被寄予解决交通拥堵与减少交通事故的厚望。准确预测 ADV 周边其他交通参与者的轨迹，对实现安全高效驾驶至关重要。尤其是行人，因其复杂的社会交互与随机移动模式而更具预测难度。我们提出残差图卷积神经网络（Res-GCNN），通过为当前场景构建图的邻接矩阵来建模行人的交互行为。尽管所提 Res-GCNN 极为轻量，仅约 6.4 千参数，在参数量上优于所有其他方法，我们的实验结果显示其在最终位移误差（FDE）上较 SOTA 提升 13.3%，达到 0.65 米。至于平均位移误差（ADE），我们取得次优结果（值为 0.37 米），同样极具竞争力。Res-GCNN 在搭载 NVIDIA GeForce RTX1080Ti GPU 的平台评估，其整个数据集的平均推理时间仅约 2.2 微秒。相较其他方法，所提方法在预测精度与时间效率上展现出用于车载应用的强劲潜力。代码将在 GitHub 公开。
引用
@article{arxiv.2011.09214,
title = {Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for Human Trajectory Forecasting},
author = {Yanwu Ge and Mingliang Song},
journal= {arXiv preprint arXiv:2011.09214},
year = {2020}
}
备注
8 pages, 3 figures