用于行人轨迹预测的可解释社交树
计算机视觉与模式识别
2022-05-27 v1
摘要
理解多种社会可接受的未来行为是许多视觉应用中的一项基本任务。本文提出一种基于树的方法,称为可解释社交树(SIT),以解决这一多模态预测任务,其中根据观测轨迹的先验信息构建手工树来建模多种未来轨迹。具体而言,树中从根到叶的一条路径表示一条个体可能的未来轨迹。SIT采用由粗到细的优化策略,首先利用高阶速度构建树以平衡树的复杂度和覆盖率,然后贪心优化以鼓励多模态。最后,使用教师强制细化操作预测最终精细轨迹。与先前利用隐式潜变量表示可能未来轨迹的方法相比,树中的路径可以显式解释粗略运动行为(例如直行然后右转),从而提供更好的可解释性。尽管是手工构建的树,在ETH-UCY和Stanford Drone数据集上的实验结果表明,我们的方法能够匹配或超过最先进方法的性能。有趣的是,实验显示未经训练的原始构建树优于许多先前的基于深度神经网络的方法。同时,我们的方法在长期预测和不同best-of-预测中表现出充分的灵活性。
引用
@article{arxiv.2205.13296,
title = {Social Interpretable Tree for Pedestrian Trajectory Prediction},
author = {Liushuai Shi and Le Wang and Chengjiang Long and Sanping Zhou and Fang Zheng and Nanning Zheng and Gang Hua},
journal= {arXiv preprint arXiv:2205.13296},
year = {2022}
}
备注
Accepted by AAAI2022