SR-LSTM: 面向行人轨迹预测的 LSTM 状态细化
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
本研究开发了一个模型用于预测人群和人群之间的交互,在拥挤的环境下使用 SG-LSTM 模型以更准确地预测轨迹,同时提供一个标记了行人组的大型视频数据集。
Mar, 2023
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
本研究采用场景信息 (Scene-LSTM) 和人类运动轨迹 (Pedestrian movement LSTM) 结合的方式在静态人群中预测人类运动轨迹,其中引入了两层网格结构,探索出现在该网格单元中的常见人类轨迹,在训练预测模型中考虑了共性。相比线性模型和基于已有 LSTM 的方法,本研究所提出方法的目标位置误差有显著降低,与社交交互方法比较则降低了约 80% 的误差。
Aug, 2018
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
通过建立深度学习基础的行人运动预测模型,利用 “软性注意力” 和 “硬性注意力” 相结合的方式,成功实现了不需要手工特征处理的异常事件检测,从而在两个公开数据库中取得了比同类研究更优秀的结果。
Feb, 2017
提出了一种结合粒子滤波采样策略和 LSTM-MDL 模型的多模式路径预测方法,可用于安全应用中的风险评估,通过在多种现实场景中进行的实验表明最简单的方法表现最佳。
Apr, 2018
本文介绍了一种仿生神经网络 (Bio-LSTM),其能够预测行人的全局坐标系中的位置和三维关节姿态,在考虑先前帧的 3D 姿态和位置时,对于多名不同行人同时进行预测,以及在城市路口范围内达到 45 米。这篇论文通过 PedX 数据集的实际应用表明,该网络可以成功学习行人步态的特征,并产生准确和一致的 3D 姿态预测。
Sep, 2018