用于上下文感知行人轨迹预测的自生长空间图网络
计算机视觉与模式识别
2020-12-22 v2 机器学习
摘要
行人轨迹预测是一个活跃的研究领域，近期工作致力于将行人社会交互及其上下文依从性的精确模型嵌入动态空间图。然而，现有工作依赖于关于场景与动力学的空间假设，这对于在线系统在未知环境中调整图结构构成了显著挑战。此外，缺乏关于关系建模对预测性能影响的评估方法。为填补此空白，我们提出 Social Trajectory Recommender-Gated Graph Recurrent Neighborhood Network（STR-GGRNN），其基于上下文场景特征与行人视觉线索，使用数据驱动的自适应在线邻域推荐。邻域推荐通过在线非负矩阵分解（NMF）实现，以构建用于预测行人轨迹的图邻接矩阵。基于广泛使用数据集的实验表明，我们的方法优于当前最优（SOTA）。我们性能最佳的模型在 ETH-UCY 数据集上取得了 12 cm ADE 与约 15 cm FDE。所提方法在每帧采样总计 20K 条未来轨迹时仅耗时 0.49 秒。
引用
@article{arxiv.2012.06320,
title = {Self-Growing Spatial Graph Network for Context-Aware Pedestrian Trajectory Prediction},
author = {Sirin Haddad and Siew-Kei Lam},
journal= {arXiv preprint arXiv:2012.06320},
year = {2020}
}