用于人体轨迹预测的安全合规生成对抗网络
计算机视觉与模式识别
2022-11-02 v2
摘要
人群中人体轨迹预测面临建模社会交互和输出无碰撞多模态分布的挑战。继社会生成对抗网络(SGAN)的成功之后,近期工作提出了多种基于 GAN 的设计以更好地建模人群中的人体运动。尽管在降低基于距离的度量方面表现优越,当前网络仍无法输出社会可接受的轨迹,这体现在模型预测中的高碰撞率。为此,我们引入 SGANv2:一种改进的安全合规 SGAN 架构,配备时空交互建模和基于 transformer 的判别器。时空建模能力有助于更好地学习人类社交交互,而基于 transformer 的判别器设计改善了时间序列建模。此外,SGANv2 甚至在测试时通过协作采样策略利用学到的判别器,该策略不仅修正碰撞轨迹,还防止了 GAN 训练中常见的模式崩溃现象。通过在多个真实世界和合成数据集上的大量实验,我们证明了 SGANv2 提供社会合规多模态轨迹的有效性。
引用
@article{arxiv.2209.12243,
title = {Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting},
author = {Parth Kothari and Alexandre Alahi},
journal= {arXiv preprint arXiv:2209.12243},
year = {2022}
}
备注
12 pages, 7 figures, 8 tables; Added acknowledgement