Geometric Graph Neural Network Modeling of Human Interactions in Crowded Environments

要約

歩行者の行動と相互作用は複雑な性質を持っているため、混雑した環境で人間の軌跡をモデル化することは困難です。
この論文では、心理学研究からのドメイン知識を統合して歩行者の相互作用をモデル化し、将来の軌道を予測する幾何学的グラフ ニューラル ネットワーク (GNN) アーキテクチャを提案します。
完全なグラフを使用した先行研究とは異なり、歩行者の視野、動作方向、距離ベースのカーネル関数を使用して相互作用近傍を定義し、群衆のグラフ表現を構築します。
複数のデータセットにわたる評価により、平均および最終変位誤差メトリクスの削減により予測精度が向上していることが実証されています。
私たちの調査結果は、群衆の中での人間の相互作用を効果的にモデリングするには、ドメイン知識とデータ駆動型アプローチを統合することの重要性を強調しています。

要約(オリジナル)

Modeling human trajectories in crowded environments is challenging due to the complex nature of pedestrian behavior and interactions. This paper proposes a geometric graph neural network (GNN) architecture that integrates domain knowledge from psychological studies to model pedestrian interactions and predict future trajectories. Unlike prior studies using complete graphs, we define interaction neighborhoods using pedestrians’ field of view, motion direction, and distance-based kernel functions to construct graph representations of crowds. Evaluations across multiple datasets demonstrate improved prediction accuracy through reduced average and final displacement error metrics. Our findings underscore the importance of integrating domain knowledge with data-driven approaches for effective modeling of human interactions in crowds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google