Social Attention：人群中的注意力建模
机器人学
2018-10-31 v2 机器学习
摘要
在人群中导航的机器人需要能够规划安全、高效且符合人类预期的轨迹。这是一个极具挑战性的问题，因为它要求机器人在人群中预测人类的未来轨迹，而在人群中每个人都会隐式地相互合作以避免碰撞。以往的人类轨迹预测方法将人与人之间的交互建模为接近度的函数。然而，这并不一定正确，因为在我们附近同向移动的某些人可能不如距离较远但在未来可能与我们发生碰撞的其他人重要。在这项工作中，我们提出了 Social Attention，一种新颖的轨迹预测模型，它能够捕捉在人群中导航时每个人的相对重要性，而不受其接近度的影响。我们在两个公开的人群数据集上展示了我们的方法相对于 SOTA 方法的性能，并分析了训练后的注意力模型，以更好地理解在人群中导航时人类会关注哪些周围的智能体。
引用
@article{arxiv.1710.04689,
title = {Social Attention: Modeling Attention in Human Crowds},
author = {Anirudh Vemula and Katharina Muelling and Jean Oh},
journal= {arXiv preprint arXiv:1710.04689},
year = {2018}
}