Multiclass-SGCN: Sparse Graph-based Trajectory Prediction with Agent Class Embedding

要約

道路利用者の移動パターンは確率的で複雑であるため、実際のシナリオでの道路利用者の軌道予測は困難です。
以前の歩行者指向の作業は、歩行者間の複雑な相互作用のモデル化に成功しましたが、他のタイプの道路ユーザー（車、自転車など）が関与する場合、ユーザータイプを無視するため、軌道の予測に失敗します。
最近のいくつかの作品は、ユーザーラベル情報を使用して密に接続されたグラフを作成しますが、それらは余分な空間的相互作用と時間的依存性に悩まされています。
これらの問題に対処するために、速度とエージェントラベル情報を考慮し、新しい相互作用マスクを使用してエージェントベースの空間的および時間的接続を適応的に決定するマルチクラス軌道予測のためのスパースグラフ畳み込みネットワークベースのアプローチであるMulticlass-SGCNを提案します。
彼らの相互作用スコアについて。
提案されたアプローチは、スタンフォードドローンデータセットの最先端のアプローチを大幅に上回り、より現実的でもっともらしい軌道予測を提供しました。

要約(オリジナル)

Trajectory prediction of road users in real-world scenarios is challenging because their movement patterns are stochastic and complex. Previous pedestrian-oriented works have been successful in modelling the complex interactions among pedestrians, but fail in predicting trajectories when other types of road users are involved (e.g., cars, cyclists, etc.), because they ignore user types. Although a few recent works construct densely connected graphs with user label information, they suffer from superfluous spatial interactions and temporal dependencies. To address these issues, we propose Multiclass-SGCN, a sparse graph convolution network based approach for multi-class trajectory prediction that takes into consideration velocity and agent label information and uses a novel interaction mask to adaptively decide the spatial and temporal connections of agents based on their interaction scores. The proposed approach significantly outperformed state-of-the-art approaches on the Stanford Drone Dataset, providing more realistic and plausible trajectory predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google