SSAGCN：用于行人轨迹预测的社会软注意力图卷积网络
计算机视觉与模式识别
2021-12-07 v1
摘要
行人轨迹预测是自动驾驶的一项重要技术，近年来已成为研究热点。以往方法主要依赖行人间的位置关係建模社会交互，这显然不足以表征真实情形中的复杂情况。此外，现有工作大多将场景交互模块作为独立分支引入，并在轨迹生成过程中嵌入社会交互特征，而非同时开展社会交互与场景交互，这可能破坏轨迹预测的合理性。本文中，我们提出一种名为社会软注意力图卷积网络（SSAGCN）的新预测模型，旨在同时处理行人之间的社会交互及行人与环境之间的场景交互。具体而言，在建模社会交互时，我们提出一种新的社会软注意力函数，其充分考虑了行人之间各类交互因素，并能基于不同情形下的不同因素区分周围行人对智能体（agent）的影响。对于物理交互，我们提出一种新的序贯场景共享机制。场景在每一时刻对某一智能体的影响可通过社会软注意力分享给其他邻居，从而将场景的影响在时空维度上均得以扩展。借助这些改进，我们成功获得了社会与物理上均可接受的预测轨迹。在公开可用数据集上的实验证明了SSAGCN的有效性，并取得了最先进（state-of-the-art）结果。
引用
@article{arxiv.2112.02459,
title = {SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction},
author = {Pei Lv and Wentong Wang and Yunxin Wang and Yuzhen Zhang and Mingliang Xu and Changsheng Xu},
journal= {arXiv preprint arXiv:2112.02459},
year = {2021}
}
备注
14 pages, 8 figures