Social-BiGAT: 使用Bicycle-GAN与图注意力网络的多模态轨迹预测
计算机视觉与模式识别
2019-07-18 v2 机器学习
摘要
预测场景中多个交互智能体的未来轨迹已成为一个日益重要的问题,应用于从自动驾驶车辆与社会机器人的控制到安全与监控的众多不同领域。该问题因人与人间社会交互及其与场景物理交互的存在而更趋复杂。尽管现有文献已探索了其中部分线索,但主要忽略了每个人未来轨迹的多模态性质。本文提出Social-BiGAT,一种基于图的生成对抗网络,通过更好地建模场景中行人的社会交互来生成真实、多模态的轨迹预测。我们的方法基于图注意力网络(GAT),其学习可靠的特征表示以编码场景中人之间的社会交互,以及一种以对抗方式训练的循环编码器-解码器架构,用于基于特征预测人的路径。我们如Bicycle-GAN那样,通过在每个场景与其潜噪声向量间形成可逆变换,显式考虑预测问题的多模态性质。我们在现有轨迹预测基准上与若干基线比较,表明我们的框架达到了最先进的性能。
引用
@article{arxiv.1907.03395,
title = {Social-BiGAT: Multimodal Trajectory Forecasting using Bicycle-GAN and Graph Attention Networks},
author = {Vineet Kosaraju and Amir Sadeghian and Roberto Martín-Martín and Ian Reid and S. Hamid Rezatofighi and Silvio Savarese},
journal= {arXiv preprint arXiv:1907.03395},
year = {2019}
}