Social-WaGDAT：基于 Wasserstein 图双重注意力网络的交互感知轨迹预测
计算机视觉与模式识别
2020-02-19 v1 机器学习
多智能体系统
机器人学
摘要
对环境的准确理解以及对周围动态障碍物的精确轨迹预测，对于智能移动系统（如自动驾驶车辆和社会机器人）在高度交互和拥挤场景中导航以实现安全且高质量的规划而言不可或缺。由于场景演化中存在频繁交互与不确定性，预测系统需要对不同实体进行关系推理，并为每个智能体提供未来轨迹的分布。本文提出一种用于多智能体轨迹预测的通用生成式神经系统中（称为 Social-WaGDAT），其通过将关系归纳偏置与动态图表示相结合，向前推进了显式交互建模，并利用轨迹与场景上下文信息。我们还采用了一个高效的动力学约束层应用于车辆轨迹预测，不仅确保物理可行性，还提升了模型性能。所提系统在三个公开轨迹预测基准数据集上进行评估，其中的智能体涵盖行人、骑行者与道路车辆。实验结果表明，我们的模型在预测精度上优于多种基线方法。
引用
@article{arxiv.2002.06241,
title = {Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network},
author = {Jiachen Li and Hengbo Ma and Zhihao Zhang and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2002.06241},
year = {2020}
}