Social NCE：社会感知运动表示的对比学习
机器学习
2021-08-23 v3 人工智能
计算机视觉与模式识别
机器人学
摘要
学习社会感知的运动表示是近来多智能体问题（如人体运动预测与人群中机器人导航）进展的核心。尽管取得可喜进展，现有用神经网络学习的表示在闭环预测中仍难以泛化（例如输出碰撞轨迹）。该问题主要源于序贯预测的非独立同分布性质与训练数据分布不良。直观上，若训练数据仅来自安全空间中的人类行为，即来自“正”例，学习算法便难以捕捉如碰撞等“负”例的概念。本工作中，我们旨在通过自监督显式建模负例来解决此问题：(i) 我们引入一种社会对比损失，通过辨别真值正事件与合成负事件来正则化提取的运动表示；(ii) 我们基于对有碍但危险情形的先验知识构造信息丰富的负样本。我们的方法大幅降低了近期轨迹预测、行为克隆与强化学习算法的碰撞率，在多个基准上优于最先进方法。我们的代码见 https://github.com/vita-epfl/social-nce。
引用
@article{arxiv.2012.11717,
title = {Social NCE: Contrastive Learning of Socially-aware Motion Representations},
author = {Yuejiang Liu and Qi Yan and Alexandre Alahi},
journal= {arXiv preprint arXiv:2012.11717},
year = {2021}
}
备注
ICCV 2021