拥挤空间中基于社会与场景感知的轨迹预测
计算机视觉与模式识别
2019-09-20 v1
摘要
模仿人类在城市场景（如街道、购物中心或广场）中预测未来位置或理解复杂交互的能力，对于开发符合社会规范的机器人或自动驾驶汽车至关重要。自主系统可借助预判人体运动来避免碰撞或自然地与人共处。为预见合理轨迹，我们构建了一个基于 LSTM（长短期记忆）的模型，考虑三个基本因素：人员交互、以先前经过区域表示的过去观测以及周围空间的语义。我们的模型包含若干池化机制，以联结上述元素定义多个张量，即社会张量、导航张量与语义张量。该网络在非结构化环境中测试，其中复杂路径根据内部（意图）与外部（他人、不可进入区域）动机而涌现。如所证明，对路径建模若忽略社会交互或上下文信息，不足以正确预测未来位置。实验结果证实了所提框架相较于基于 LSTM 的人体路径预测模型的有效性。
引用
@article{arxiv.1909.08840,
title = {Social and Scene-Aware Trajectory Prediction in Crowded Spaces},
author = {Matteo Lisotto and Pasquale Coscia and Lamberto Ballan},
journal= {arXiv preprint arXiv:1909.08840},
year = {2019}
}
备注
Accepted to ICCV 2019 Workshop on Assistive Computer Vision and Robotics (ACVR)