Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction

要約

軌道予測は、観察されたシーケンスからエンティティの動きや人間の行動を理解する上で重要な作業です。
ただし、現在の方法では、観測されたシーケンスが完全であると仮定することが多く、オブジェクトのオクルージョン、スコープの制限、センサーの故障などによって値が欠落する可能性を無視しています。この制限は、必然的に軌道予測の精度を妨げます。
この問題に対処するために、私たちの論文では、軌跡の代入と予測を同時に実行できる、統合されたフレームワークであるグラフベースの条件付き変分再帰型ニューラル ネットワーク (GC-VRNN) を提示します。
具体的には、不完全な観測から空間的特徴を抽出し、欠落しているパターンを活用できる新しいマルチスペース グラフ ニューラル ネットワーク (MS-GNN) を紹介します。
さらに、特別に設計されたTemporal Decay（TD）モジュールを備えたConditional VRNNを採用して、不完全な軌跡の一時的な依存関係と一時的な欠落パターンをキャプチャします。
TD モジュールを含めることで、貴重な情報を一時的な流れで伝えることができます。
また、軌跡の代入と予測の共同問題について、3 つの実用的なデータセットをキュレートし、ベンチマークします。
広範な実験により、提案された方法の優れたパフォーマンスが検証されます。
私たちが知る限り、これは統一された方法で軌道の代入と予測のためのベンチマークと技術の欠如に対処する最初の作業です。

要約(オリジナル)

Trajectory prediction is a crucial undertaking in understanding entity movement or human behavior from observed sequences. However, current methods often assume that the observed sequences are complete while ignoring the potential for missing values caused by object occlusion, scope limitation, sensor failure, etc. This limitation inevitably hinders the accuracy of trajectory prediction. To address this issue, our paper presents a unified framework, the Graph-based Conditional Variational Recurrent Neural Network (GC-VRNN), which can perform trajectory imputation and prediction simultaneously. Specifically, we introduce a novel Multi-Space Graph Neural Network (MS-GNN) that can extract spatial features from incomplete observations and leverage missing patterns. Additionally, we employ a Conditional VRNN with a specifically designed Temporal Decay (TD) module to capture temporal dependencies and temporal missing patterns in incomplete trajectories. The inclusion of the TD module allows for valuable information to be conveyed through the temporal flow. We also curate and benchmark three practical datasets for the joint problem of trajectory imputation and prediction. Extensive experiments verify the exceptional performance of our proposed method. As far as we know, this is the first work to address the lack of benchmarks and techniques for trajectory imputation and prediction in a unified manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google