Social-DualCVAE：基于社交交互模式感知与双条件变分自编码器的多模态轨迹预测
计算机视觉与模式识别
2022-02-09 v1 人工智能
摘要
行人轨迹预测是自动驾驶、自主机器人和监控系统等多个实用领域的基础任务。未来轨迹预测是多模态的，受场景上下文的物理交互以及行人之间复杂社交交互的影响。现有主流文献通过深度学习网络学习社交交互的表示，而未利用显式的交互模式。不同的交互模式（如跟随或避碰）会产生不同的下一步运动趋势，因此，对社交交互模式的感知对轨迹预测十分重要。此外，社交交互模式涉及隐私或缺乏标签。为联合解决上述问题，我们提出一种用于多模态轨迹预测的社交双条件变分自编码器（Social-DualCVAE），其基于不仅以过去轨迹为条件、还以无监督的交互模式分类为条件的生成模型。在生成无标签社交交互模式的类别分布后，提出以过去轨迹和社交交互模式为条件的 DualCVAE，通过潜变量估计进行多模态轨迹预测。推导出一个变分下界作为训练时的最小化目标。所提模型在广泛使用的轨迹基准上进行了评估，优于先前的最先进方法。
引用
@article{arxiv.2202.03954,
title = {Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder},
author = {Jiashi Gao and Xinming Shi and James J. Q. Yu},
journal= {arXiv preprint arXiv:2202.03954},
year = {2022}
}