Dec, 2023

学习多智能体轨迹预测的社会时空图

PDF
TL;DR为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。
trajectory predictionsocio-temporal interactionsdirected acyclic graphstgformerbenchmark datasets
发现论文，激发创造
  • 空间时间图双重注意力网络用于多智能体预测和跟踪

    本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

    Feb, 2021

  • Social-STGCNN：一种用于人类轨迹预测的社交时空图卷积神经网络

    本研究通过提出 Social-STGCNN 方法，并将交互建模为图形而避免聚合方法的使用，提高人类与自主车辆之间模型交互的时效及准确性，同时提高参数及推理速度，且即使训练数据量减少可仍得出表现优异的结果。

    Feb, 2020

  • 带有社交图网络的随机轨迹预测

    通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

    Jul, 2019

  • 基于时空关注模型的情境感知行人轨迹预测

    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

  • 基于时空图转换器网络的行人轨迹预测

    本研究提出使用关注机制进行轨迹预测的 STAR 模型，采用 TGConv 和临时 Transformer 模型，以及可读写的外部记忆模块，以实现复杂的时空交互并实现了 5 个真实世界的行人预测数据集的最新性能。

    May, 2020

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • 超级 STTN：基于超图推理的社交群体感知时空变换网络用于人类轨迹预测

    通过 Hyper-STTN，基于超图的时空变换网络，在拥挤场景中解码全面的群组和个体间的交互关系，从而实现人群轨迹预测。

    Jan, 2024

  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 2023

  • GraphTCN: 人类轨迹预测的时空交互模型

    本研究提出了基于 CNN 的时空图形框架 GraphTCN，通过将空间交互作为社交图形进行建模，并使用修改的时间卷积网络来捕捉时空交互。实验结果证实，该模型在各种轨迹预测基准数据集上实现了更高的性能和更高的准确性。

    Mar, 2020

  • 拥挤空间中基于社交及场景感知的轨迹预测

    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