人体运动轨迹预测:综述
通过使用 Transformer 架构,从人体位置、头部朝向和三维关键点等输入特征来预测人类在人类中心环境中未来的轨迹,该模型捕捉了未来人类轨迹预测中的内在不确定性,并在常见预测基准和适用于预测任务的移动机器人跟踪数据集上取得了最先进的性能。在这种具有挑战性场景中,我们发现历史数据有限的新主体是错误的主要来源,并展示了三维骨骼姿势在减少预测误差方面的互补性。
Sep, 2023
本研究论文介绍了人体动作预测技术在人机交互、自动驾驶、运动分析和人员跟踪等各个领域的重要性,并深入讨论了该领域的常见模型架构的优势和劣势,总结了最近的研究创新,并提供了现有方法、常用数据集和评估指标的综合概述。此外,还讨论了该领域当前的一些限制,并提出了未来研究方向以克服这些挑战,推动人体动作预测的进一步发展。
Dec, 2023
本文综述了自动驾驶车辆 (AD) 的轨迹预测方法,重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向,本综述在 AD 轨迹预测方面做出了重要贡献。
Jul, 2023
本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型,用于人类在拥挤空间中运动和行为的预测。实验结果表明,该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。
May, 2017
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
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
基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库,并引入地址机制来检索匹配的模式和每个预测的潜在目标分布,从而使得在真实世界场景中的不确定性下,准确地预测人类行为轨迹成为可能。
Jan, 2024
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。
Jul, 2020