Social GAN: 基于生成对抗网络的社会可接受轨迹预测
计算机视觉与模式识别
2018-03-30 v1
摘要
理解人类运动行为对于自动驾驶汽车和社交机器人等自主移动平台在以人为中心的环境中导航至关重要。这一问题极具挑战性，因为人类运动本质上是多模态的：给定人类运动路径的历史，人们在未来有许多社会合理的移动方式。我们通过结合序列预测和生成对抗网络的工具来解决这一问题：一个循环序列到序列模型观察运动历史并预测未来行为，使用一种新颖的池化机制来聚合人与人之间的信息。我们通过与循环判别器进行对抗训练来预测社会合理的未来轨迹，并利用一种新颖的多样性损失来鼓励多样化的预测。通过在多个数据集上的实验，我们证明了我们的方法在准确性、多样性、避免碰撞和计算复杂度方面均优于先前的工作。
引用
@article{arxiv.1803.10892,
title = {Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks},
author = {Agrim Gupta and Justin Johnson and Li Fei-Fei and Silvio Savarese and Alexandre Alahi},
journal= {arXiv preprint arXiv:1803.10892},
year = {2018}
}