基于动态占用建模的社交 LSTM 用于真实人群步态预测

在动态且拥挤的环境中，由于人类运动的复杂性以及个体之间的相互影响，真实的人群步态预测仍是一个具有挑战性的任务。深度学习模型最近通过隐式学习从二维步态数据中捕获此类模式，取得了令人鼓舞的成果。然而，大多数方法将行人视为点实体，忽略了每个人所占据的物理空间。为此，本文提出一种新型深度学习模型，通过引入新的动态占用空间损失函数来增强社交 LSTM。该损失函数引导社交 LSTM 学习在不增加不同人群密度（从低到高）下的位移误差的前提下，避免真实碰撞。该函数通过将平均位移误差与新的碰撞惩罚项相结合实现上述目的，后者对场景密度和个体空间占用敏感。为高效训练和评估，本文基于法国勒昂 2022 年灯节期间记录的真实行人步态数据生成了五个数据集。其中四个数据集分别代表低、中、高和非常高密度的均匀人群条件，第五个对应于非均匀密度分布。实验结果表明，所提出的模型不仅降低了碰撞率，还在每个数据集中提高了位移预测精度。具体而言，与基线模型相比，该模型在所有数据集上的平均碰撞率降低最高可达 31%，平均位移误差降低 5%，最终位移误差降低 6%。此外，所提出的模型在大多数测试集上 consistently 超过了多个最先进的深度学习模型。