针对行人轨迹预测研究中仅关注历史轨迹的交互信息,而忽略了终点交互信息的问题,提出一种基于图卷积网络(GCN)和终点诱导(Endpoint Induction)的行人轨迹预测模型GCN-EI。首先,在训练集上使用分类方法学习行人未来可能的加权终点分布;其...针对行人轨迹预测研究中仅关注历史轨迹的交互信息,而忽略了终点交互信息的问题,提出一种基于图卷积网络(GCN)和终点诱导(Endpoint Induction)的行人轨迹预测模型GCN-EI。首先,在训练集上使用分类方法学习行人未来可能的加权终点分布;其次,将可能的终点与它们对应的历史轨迹相连接,并使用基于注意力机制和终点条件的GCN在更长的时间跨度上提取行人的交互特征,同时使用个体特征模块提取行人的内在运动特征;最后通过时间内推卷积预测行人的未来轨迹。在ETH和UCY数据集上对模型进行的测试结果表明,相较于STITD-GCN(SpatioTemporal Interaction and Trajectory Distribution GCN)模型,所提模型在平均位移误差(ADE)和最终位移误差(FDE)上分别下降了4.5%和5.0%;相较于采用分类方法的PCCSNet(Prediction via modality Clustering, Classification and Synthesis Network)模型,在FDE上下降了9.5%。展开更多
由于行人交互的复杂性和周围环境的多变性,行人轨迹预测仍是一项具有挑战性的任务.然而,基于图结构的方法建模行人之间的交互时,存在着网络感受野小、成对行人间的相互交互对称、固定的图结构不能适应场景变化的问题,导致预测轨迹与真...由于行人交互的复杂性和周围环境的多变性,行人轨迹预测仍是一项具有挑战性的任务.然而,基于图结构的方法建模行人之间的交互时,存在着网络感受野小、成对行人间的相互交互对称、固定的图结构不能适应场景变化的问题,导致预测轨迹与真实轨迹偏差较大.为了解决这些问题,本文提出一种基于全局自适应有向图的行人轨迹预测方法(pedestrian trajectory prediction method based on Global Adaptive Directed Graph,GADG).设计全局特征更新(Global Feature Updating,GFU)和全局特征选择(Global Feature Selection,GFS)分别提升空间域和时间域的网络感受范围,以获取全局交互特征.构建有向特征图,定义行人间的不对称交互,提高网络建模的方向性.建立自适应图模型,灵活调整行人间的交互关系,减少冗余连接,增强图模型的自适应能力.在ETH和UCY数据集上的实验结果表明,与最优值相比,平均位移误差降低14%,最终位移误差降低3%.展开更多
文摘针对行人轨迹预测研究中仅关注历史轨迹的交互信息,而忽略了终点交互信息的问题,提出一种基于图卷积网络(GCN)和终点诱导(Endpoint Induction)的行人轨迹预测模型GCN-EI。首先,在训练集上使用分类方法学习行人未来可能的加权终点分布;其次,将可能的终点与它们对应的历史轨迹相连接,并使用基于注意力机制和终点条件的GCN在更长的时间跨度上提取行人的交互特征,同时使用个体特征模块提取行人的内在运动特征;最后通过时间内推卷积预测行人的未来轨迹。在ETH和UCY数据集上对模型进行的测试结果表明,相较于STITD-GCN(SpatioTemporal Interaction and Trajectory Distribution GCN)模型,所提模型在平均位移误差(ADE)和最终位移误差(FDE)上分别下降了4.5%和5.0%;相较于采用分类方法的PCCSNet(Prediction via modality Clustering, Classification and Synthesis Network)模型,在FDE上下降了9.5%。
文摘由于行人交互的复杂性和周围环境的多变性,行人轨迹预测仍是一项具有挑战性的任务.然而,基于图结构的方法建模行人之间的交互时,存在着网络感受野小、成对行人间的相互交互对称、固定的图结构不能适应场景变化的问题,导致预测轨迹与真实轨迹偏差较大.为了解决这些问题,本文提出一种基于全局自适应有向图的行人轨迹预测方法(pedestrian trajectory prediction method based on Global Adaptive Directed Graph,GADG).设计全局特征更新(Global Feature Updating,GFU)和全局特征选择(Global Feature Selection,GFS)分别提升空间域和时间域的网络感受范围,以获取全局交互特征.构建有向特征图,定义行人间的不对称交互,提高网络建模的方向性.建立自适应图模型,灵活调整行人间的交互关系,减少冗余连接,增强图模型的自适应能力.在ETH和UCY数据集上的实验结果表明,与最优值相比,平均位移误差降低14%,最终位移误差降低3%.
