基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素,预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确,成为开发自动驾驶车辆与社交性机器人必不可少的一步。
Sep, 2019
本文提出了一种基于时空图的长短期记忆神经网络,用于在拥挤环境中预测行人的轨迹,考虑与场景中的静态和动态元素的交互,结果表明,相比于其他方法,本方法在人类轨迹预测方面能够将平均位移误差(ADE)和最终位移误差(FDE)分别降低高达 55%和 61%。
Feb, 2019
本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型,同时考虑了静态障碍物和周围行人,通过与现有方法的比较,证明了该模型在预测准确性和计算效率方面的优异性,并表明在有障碍物的环境中,考虑静态障碍物对运动预测的重要性。
Sep, 2017
本文利用语义图模型和图注意力层来建立上下文感知体系结构,旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估,论文显示出模式的优越性。
Apr, 2019
本文通过提出新的三阶段框架来对人类运动进行长期预测,在考虑环境场景的情况下大大提高了预测准确性,并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。
Jul, 2020
提出了一种端到端的基于深度学习的模型,该模型使用来自不同导航模式的数据直接学习人类的运动模式,包括一个软关注机制和一种新颖的方法来预测动态轨迹,同时还考虑了场景中的静态物体存在,通过在行人轨迹数据集上的测试结果显示,可以显著优于现有的最新技术水平,也可以自然地扩展到同时处理多个移动模式。
May, 2017
本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能,同时提出了大规模基于交互的 TrajNet++ 基准,并在真实和合成数据集上进行了实验,验证了文中方法的可靠性。
自动驾驶或自主移动机器人领域中,预测拥挤场景中行人的轨迹是不可或缺的,因为估计周围行人的未来位置有助于制定政策决策以避免碰撞。本文介绍了一种基于 correntropy 的新机制,不仅可以衡量人与人之间交互的相对重要性,还可以为每个行人建立个人空间。我们进一步提出了一种包含这种数据驱动机制的相互作用模块,可以有效地提取场景中动态人与人之间交互的特征表示,并计算相应的权重来表示不同交互的重要性。为了在行人之间共享这些社交信息,我们设计了一种基于 Long Short-Term Memory(LSTM)网络的相互作用感知架构来进行轨迹预测。我们在两个公共数据集上展示了我们模型的性能,实验结果表明我们的模型可以达到比几种最新方法更好的性能。
Nov, 2023
使用可学习的图像提示将预训练的人体轨迹预测器的输入增强,从而使预测器能够从极少量的新数据中推断出部署场景的趋势,从而解决特定场景下的人体轨迹预测问题。
Dec, 2023
该研究调查了人类运动轨迹预测的现有方法,提出了一个基于运动建模方法和上下文信息水平的分类法,讨论了目前技术的局限性并提出了未来研究的方向。
May, 2019