HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction

要約

正確な歩行者の軌跡予測は、自動運転や移動ロボットのナビゲーションなどの下流タスクにとって非常に重要です。
歩行者の軌跡を正確に予測するには、群衆内の社会的相互作用を完全に調査することが重要です。
しかし、既存の手法のほとんどはグループレベルの相互作用をうまく捉えておらず、ペアごとの相互作用のみに焦点を当てており、グループごとの相互作用は無視されています。
この研究では、群衆内のグループレベルの相互作用をうまく活用する軌道予測のための階層グラフ畳み込みネットワーク HGCN-GJS を提案します。
さらに、将来の軌道における複数の歩行者の共同分布をモデル化するための新しい共同サンプリング スキームを導入します。
このスキームは、グループ情報に基づいて、ある人の軌跡をグループ内の他の人の軌跡に関連付けますが、部外者の軌跡の独立性は維持されます。
私たちはいくつかの軌道予測データセットでネットワークのパフォーマンスを実証し、検討したすべてのデータセットで最先端の結果を達成しました。

要約(オリジナル)

Accurate pedestrian trajectory prediction is of great importance for downstream tasks such as autonomous driving and mobile robot navigation. Fully investigating the social interactions within the crowd is crucial for accurate pedestrian trajectory prediction. However, most existing methods do not capture group level interactions well, focusing only on pairwise interactions and neglecting group-wise interactions. In this work, we propose a hierarchical graph convolutional network, HGCN-GJS, for trajectory prediction which well leverages group level interactions within the crowd. Furthermore, we introduce a novel joint sampling scheme for modeling the joint distribution of multiple pedestrians in the future trajectories. Based on the group information, this scheme associates the trajectory of one person with the trajectory of other people in the group, but maintains the independence of the trajectories of outsiders. We demonstrate the performance of our network on several trajectory prediction datasets, achieving state-of-the-art results on all datasets considered.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google