BP-SGCN: Behavioral Pseudo-Label Informed Sparse Graph Convolution Network for Pedestrian and Heterogeneous Trajectory Prediction

要約

軌道予測により、交通エージェントの短期的な将来の動きを予測することにより、自律車両の適用または監視の適用における意思決定が改善されます。
歩行者または不均一な軌道予測に分類されます。
前者は歩行者の比較的一貫した行動を利用していますが、サイクリストや車両などの不均一な交通エージェントとの現実世界のシナリオでは制限されています。
後者は通常、不均一なエージェントを区別するために追加のクラスラベル情報に依存していますが、そのようなラベルは注釈に費用がかかり、同じクラスのエージェント内の異なる動作を表すように一般化することはできません。
この作業では、動きの特徴に基づいて歩行者と不均一なエージェントの行動分布を効果的にキャプチャする行動擬似適応を紹介し、軌道予測の精度を大幅に改善します。
フレームワークを実装するために、擬似ラベルを学習し、軌道予測因子に通知する行動の擬似ラベルに通知されたスパースグラフ畳み込みネットワーク（BP-SGCN）を提案します。
最適化のために、カスケードトレーニングスキームを提案します。このスキームでは、擬似ラベルを監視なしで最初に学び、次に軌跡予測の精度を高める方向にラベルでエンドツーエンドの微調整を実行します。
実験は、私たちの擬似ラベルが異なる動作クラスターを効果的にモデル化し、軌道予測を改善することを示しています。
提案されているBP-SGCNは、歩行者（ETH/UCY、歩行者のみのSDD）と異種エージェントデータセット（SDD、Argoverse 1）の両方を使用して、既存の方法を上回ります。

要約(オリジナル)

Trajectory prediction allows better decision-making in applications of autonomous vehicles or surveillance by predicting the short-term future movement of traffic agents. It is classified into pedestrian or heterogeneous trajectory prediction. The former exploits the relatively consistent behavior of pedestrians, but is limited in real-world scenarios with heterogeneous traffic agents such as cyclists and vehicles. The latter typically relies on extra class label information to distinguish the heterogeneous agents, but such labels are costly to annotate and cannot be generalized to represent different behaviors within the same class of agents. In this work, we introduce the behavioral pseudo-labels that effectively capture the behavior distributions of pedestrians and heterogeneous agents solely based on their motion features, significantly improving the accuracy of trajectory prediction. To implement the framework, we propose the Behavioral Pseudo-Label Informed Sparse Graph Convolution Network (BP-SGCN) that learns pseudo-labels and informs to a trajectory predictor. For optimization, we propose a cascaded training scheme, in which we first learn the pseudo-labels in an unsupervised manner, and then perform end-to-end fine-tuning on the labels in the direction of increasing the trajectory prediction accuracy. Experiments show that our pseudo-labels effectively model different behavior clusters and improve trajectory prediction. Our proposed BP-SGCN outperforms existing methods using both pedestrian (ETH/UCY, pedestrian-only SDD) and heterogeneous agent datasets (SDD, Argoverse 1).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google