TrajPRed: Trajectory Prediction With Region-Based Relation Learning

doi:10.1109/TITS.2024.3381843

2024-08-01

Chen Zhou *

Ghassan AlRegib

DOI：10.1109/TITS.2024.3381843

原文链接

原文求助

摘要

En 中文

预测交通场景中的人类轨迹对于混合或完全自主系统中的安全性至关重要。人类未来的轨迹是由两个主要的刺激，社会互动和随机目标驱动的。因此，可靠的预测需要捕捉这两个刺激。基于边缘的关系建模使用来自精确个体状态的成对相关性来表示社交互动。然而，基于边缘的关系在扰动下可能是脆弱的。为了缓解这些问题，我们提出了一种基于区域的关系学习范式，该范式通过联合状态的区域动态 (即人群密度的变化) 对社会互动进行建模。特别地，在卷积特征网格内对区域代理联合信息进行编码。通过从全局角度关联局部关节信息的时间变化来建模社会关系。我们证明了基于区域的关系不太容易受到扰动的影响。为了解决随机的个人目标，我们利用条件变分自动编码器来实现多目标估计和多样化的未来预测。具体来说，我们通过潜在分布进行变分推断，该潜在分布以输入状态和相关目标目标之间的相关性为条件。从潜在分布中采样使框架能够可靠地捕获测试数据中的随机行为。我们集成了多目标估计和基于区域的关系学习，以在预测框架中对两个刺激，社交互动和随机目标进行建模。我们在eth-ucy数据集和斯坦福无人机数据集 (SDD) 上评估了我们的框架。我们表明，基于区域的关系学习可以带来多种预测优势。当合并关系模块时，预测的中间位置分布更好地拟合地面实况。通过27.61%/18.20% ADE/FDE指标，我们的框架优于SDD上的最新模型。我们的代码可在 https://github.com/olivesgatech/TrajPRed

Keyword:

Trajectory

Stochastic processes

Estimation

Predictive models

Perturbation methods

Correlation

Behavioral sciences

Relation modeling

stochastic prediction

trajectory prediction

behavior forecasting