TrajPRed：基于区域关系学习的轨迹预测
计算机视觉与模式识别
2024-04-11 v1 人工智能
机器学习
摘要
预测交通场景中的人类轨迹对于混合或全自主系统的安全至关重要。人类未来轨迹由两种主要刺激驱动：社交互动和随机目标。因此，可靠的预测需要捕捉这两种刺激。基于边的关系建模利用精确个体状态之间的成对相关性来表示社交互动。然而，基于边的关系在扰动下可能脆弱。为了缓解这些问题，我们提出了一种基于区域的关系学习范式，通过联合状态的区域动态（即人群密度的变化）来建模社交互动。具体来说，区域智能体联合信息被编码在卷积特征网格中。通过从全局视角关联局部联合信息的时间变化来建模社交关系。我们表明基于区域的关系对扰动不那么敏感。为了考虑随机的个体目标，我们利用条件变分自编码器实现多目标估计和多样化的未来预测。具体来说，我们通过潜在分布进行变分推理，该分布以输入状态与相关目标之间的相关性为条件。从潜在分布中采样使框架能够可靠地捕捉测试数据中的随机行为。我们将多目标估计和基于区域的关系学习整合到一个预测框架中，以建模两种刺激：社交互动和随机目标。我们在ETH-UCY数据集和Stanford Drone Dataset (SDD)上评估了我们的框架。我们表明，当加入关系模块时，多样化预测更好地拟合了真实值。我们的框架在SDD上的ADE/FDE指标上分别比最先进模型提高了27.61%/18.20%。
引用
@article{arxiv.2404.06971,
title = {TrajPRed: Trajectory Prediction with Region-based Relation Learning},
author = {Chen Zhou and Ghassan AlRegib and Armin Parchami and Kunjan Singh},
journal= {arXiv preprint arXiv:2404.06971},
year = {2024}
}