统一时空边增强图网络用于行人轨迹预测
计算机视觉与模式识别
2025-02-05 v1 人工智能
摘要
行人轨迹预测旨在基于历史路径预测未来运动。时空方法通常分别建模行人之间的空间交互和个体的时间依赖，忽略了不同行人在不同时间步之间交互的直接影响（即高阶跨时间交互）。这限制了它们捕捉时空相互依赖的能力，并阻碍了预测性能。为解决这些局限，我们提出了具有三大设计的 UniEdge。首先，我们引入了一种统一的时空图数据结构，将高阶跨时间交互简化为一级关系，从而能够在单步中学习时空相互依赖，避免了多步聚合导致的信息损失。其次，传统图神经网络侧重于聚合行人节点特征，忽略了编码在边特征中的隐式交互模式的传播。我们提出了边到边-节点到节点图卷积（E2E-N2N-GCN），这是一种新颖的双图网络，联合建模行人之间显式的节点到节点社交交互以及这些交互模式上隐式的边到边影响传播。最后，为克服自回归架构感受野有限和捕捉长程依赖的挑战，我们引入了一个基于 Transformer 编码器的预测器，能够对时间相关性进行全局建模。UniEdge 在包括 ETH、UCY 和 SDD 在内的多个数据集上优于现有最优方法。
引用
@article{arxiv.2502.02504,
title = {Unified Spatial-Temporal Edge-Enhanced Graph Networks for Pedestrian Trajectory Prediction},
author = {Ruochen Li and Tanqiu Qiao and Stamos Katsigiannis and Zhanxing Zhu and Hubert P. H. Shum},
journal= {arXiv preprint arXiv:2502.02504},
year = {2025}
}