SGCN：用于行人轨迹预测的稀疏图卷积网络
计算机视觉与模式识别
2021-04-06 v1
摘要
行人轨迹预测是自动驾驶中的一项关键技术，由于行人之间复杂的交互作用，该问题仍极具挑战性。然而，以往基于稠密无向交互的工作存在建模冗余交互和忽视轨迹运动趋势的问题，因此不可避免地导致与真实情况存在较大偏差。为应对这些问题，我们提出了一种用于行人轨迹预测的稀疏图卷积网络（SGCN）。具体而言，SGCN 通过稀疏有向空间图显式建模稀疏有向交互，以捕捉自适应的交互行人。同时，我们使用稀疏有向时间图来建模运动趋势，从而基于观测方向辅助预测。最后，通过融合上述两个稀疏图来估计用于轨迹预测的双高斯分布参数。我们在 ETH 和 UCY 数据集上评估了所提方法，实验结果表明我们的方法在平均位移误差（ADE）和最终位移误差（FDE）上分别比对比的 SOTA 方法高出 9% 和 13%。值得注意的是，可视化表明我们的方法能够捕捉行人之间自适应的交互及其有效的运动趋势。
引用
@article{arxiv.2104.01528,
title = {SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction},
author = {Liushuai Shi and Le Wang and Chengjiang Long and Sanping Zhou and Mo Zhou and Zhenxing Niu and Gang Hua},
journal= {arXiv preprint arXiv:2104.01528},
year = {2021}
}
备注
Accepted by CVPR2021