TPAD：在轨迹异常检测模型指导下识别有效轨迹预测
机器学习
2022-01-11 v1
摘要
轨迹预测（TP）是计算机视觉与机器人领域的重要研究课题。近来许多随机TP模型被提出以处理该问题，并取得了优于传统确定性轨迹输出模型的性能。然而，这些随机模型可生成若干质量各异的未来轨迹，它们缺乏自我评估能力，即审视预测结果的合理性，从而无法引导用户从候选结果中识别高质量轨迹。这阻碍了它们在真实应用中的最佳表现。本文弥补该缺陷，提出TPAD，一种基于轨迹异常检测（AD）技术的新型TP评估方法。在TPAD中，我们首先结合自动机器学习（AutoML）技术与AD及TP领域经验，自动设计有效的轨迹AD模型；随后利用学到的轨迹AD模型审视预测轨迹的合理性，并为用户筛选出优良TP结果。大量实验结果表明，TPAD能有效识别近最优预测结果，提升随机TP模型的实际应用效果。
引用
@article{arxiv.2201.02941,
title = {TPAD: Identifying Effective Trajectory Predictions Under the Guidance of Trajectory Anomaly Detection Model},
author = {Chunnan Wang and Chen Liang and Xiang Chen and Hongzhi Wang},
journal= {arXiv preprint arXiv:2201.02941},
year = {2022}
}
备注
14 pages, 7 figures