Where Do You Go? Pedestrian Trajectory Prediction using Scene Features

要約

歩行者の軌跡を正確に予測することは、自動運転車の安全性を高め、歩行者が巻き込まれる交通死亡事故を減らすために非常に重要です。
歩行者の動きを予測するために歩行者間の相互作用をモデル化することに多くの研究が焦点を当ててきましたが、環境要因やシーンとオブジェクトの配置の影響については比較的十分に調査されていませんでした。
この論文では、予測精度を向上させるために歩行者のインタラクションと環境コンテキストの両方を統合する新しい軌道予測モデルを紹介します。
私たちのアプローチは、スパースグラフフレームワーク内で歩行者間の空間的および時間的インタラクションを捕捉します。
歩行者とシーンのインタラクションを考慮するために、高度な画像強調技術とセマンティック セグメンテーション技術を採用して、シーンの詳細な特徴を抽出します。
これらのシーンとインタラクションの特徴は、クロスアテンション メカニズムを通じて融合され、モデルが歩行者の動きに影響を与える関連環境要因を優先できるようになります。
最後に、時間畳み込みネットワークが融合された特徴を処理して、将来の歩行者の軌跡を予測します。
実験結果は、私たちの方法が既存の最先端のアプローチを大幅に上回っており、ADE値とFDE値がそれぞれ0.252メートルと0.372メートルを達成していることを示しており、歩行者の軌跡予測において社会的相互作用と環境コンテキストの両方を組み込むことの重要性を強調しています。

要約(オリジナル)

Accurate prediction of pedestrian trajectories is crucial for enhancing the safety of autonomous vehicles and reducing traffic fatalities involving pedestrians. While numerous studies have focused on modeling interactions among pedestrians to forecast their movements, the influence of environmental factors and scene-object placements has been comparatively underexplored. In this paper, we present a novel trajectory prediction model that integrates both pedestrian interactions and environmental context to improve prediction accuracy. Our approach captures spatial and temporal interactions among pedestrians within a sparse graph framework. To account for pedestrian-scene interactions, we employ advanced image enhancement and semantic segmentation techniques to extract detailed scene features. These scene and interaction features are then fused through a cross-attention mechanism, enabling the model to prioritize relevant environmental factors that influence pedestrian movements. Finally, a temporal convolutional network processes the fused features to predict future pedestrian trajectories. Experimental results demonstrate that our method significantly outperforms existing state-of-the-art approaches, achieving ADE and FDE values of 0.252 and 0.372 meters, respectively, underscoring the importance of incorporating both social interactions and environmental context in pedestrian trajectory prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google