.png){kind=icon}
.png){kind=icon}
返回
STG-KNet: A Kernel-mapping-based spatial-temporal graph convolution network for pedestrian trajectory prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.physa.2025.130985.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在复杂、动态和拥挤环境中预测行人轨迹，仍然是自动驾驶和人与机器人交互领域的核心挑战。现有方法普遍存在的挑战在于其依赖刚性图架构，这限制了它们对行人交互演变模式的建模能力，并掩盖了代理间关系的潜在特征。此外，大多数模型中的时空依赖性建模是混合的，且缺乏结构性解耦。这些问题导致在密集行人场景中推理碎片化且性能下降。为解决这些挑战，我们提出了STG-KNet，这是一种结合稀疏图卷积与基于核的结构建模的统一时空学习框架。STG-KNet采用双分支时空编码器，通过生物学启发的掩码策略增强功能，以解耦并独立建模空间交互和时序运动模式。它进一步引入了一种新颖的图卷积核映射（GCKM）模块，将离散图结构转换为连续高斯相似度矩阵，实现自适应边学习和可解释的特征传播。时序卷积网络（TCN）解码器预测未来位置二维高斯分布的参数，支持多模态采样。在ETH-UCY数据集上的全面实验表明，STG-KNet实现了最先进的精度（ADE=0.23，FDE=0.45），在超越现有模型的同时保持了结构可解释性和高计算效率。特别是在密集和非同质场景中，该模型表现出卓越的泛化能力，证实了稀疏核增强图推理在轨迹预测中的有效性。