SG-LSTM: 社交群组 LSTM 用于机器人在密集人群中的导航
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
我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失,能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比,在保持准确性的同时,实现了高速的推理时间。该方法适用于实时的机器人应用。
Apr, 2023
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
本研究提出了一种基于 SR-LSTM 的数据驱动状态细化模块,通过消息传递机制激活邻居的当前意图,并共同迭代地完善人群中所有参与者的当前状态,有效提取邻居的社交效应,实现了对于行人轨迹预测的良好效果。
Mar, 2019
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
提出了一种社交关注的轨迹预测模型,该模型可以捕获人们在拥挤环境中导航时每个人的相对重要性,不受其接近性的限制。该模型通过对两个公开数据集的表现进行实证分析,对比了现有方法的性能,并分析了训练后的注意力模型,以获得更好地理解人类在拥挤环境中导航时关注周围团队的特点。
Oct, 2017
本文提出了一种模型,通过模拟人 - 人和人 - 机之间的交互,在考虑空间定位的前提下预测机器人在人群中的未来轨迹,对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。
May, 2017
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