EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory Forecasting

要約

軌道を予測するには、高次元の社会的相互作用と実現可能な未来を捉えることが不可欠です。
この複雑な性質に対処するために、ベジエ曲線や B スプライン関数などのパラメトリック曲線フィッティングを介して出力変数の次元を削減するいくつかの試みが行われてきました。
しかし、これらの機能はコンピュータ グラフィックスの分野で生まれたものであり、社会的に受け入れられる人間の動態を説明するのには適していません。
この論文では、EigenTrajectory ($\mathbb{ET}$) を紹介します。これは、新しい軌道記述子を使用して、ユークリッド空間の代わりにここでは $\mathbb{ET}$ 空間として知られるコンパクトな空間を形成する軌道予測アプローチです。
、歩行者の動きを表現します。
まず、低ランク近似によって軌道記述子の複雑さを軽減します。
私たちは歩行者の履歴経路を時空間主成分で表される $\mathbb{ET}$ 空間に変換し、既製の軌道予測モデルに入力します。
モデルの入力と出力、および社会的相互作用はすべて、対応する $\mathbb{ET}$ 空間に収集および集約されます。
最後に、提案された $\mathbb{ET}$ 空間内のすべての可能な将来をカバーするための軌道アンカーベースの改良方法を提案します。
広範な実験により、EigenTrajectory 予測子が公開ベンチマークにおける既存の軌道予測モデルの予測精度と信頼性の両方を大幅に向上できることが実証され、提案された記述子が歩行者の行動を表すのに適していることが示されています。
コードは https://github.com/inhwanbae/EigenTrajectory で公開されています。

要約(オリジナル)

Capturing high-dimensional social interactions and feasible futures is essential for predicting trajectories. To address this complex nature, several attempts have been devoted to reducing the dimensionality of the output variables via parametric curve fitting such as the B\’ezier curve and B-spline function. However, these functions, which originate in computer graphics fields, are not suitable to account for socially acceptable human dynamics. In this paper, we present EigenTrajectory ($\mathbb{ET}$), a trajectory prediction approach that uses a novel trajectory descriptor to form a compact space, known here as $\mathbb{ET}$ space, in place of Euclidean space, for representing pedestrian movements. We first reduce the complexity of the trajectory descriptor via a low-rank approximation. We transform the pedestrians’ history paths into our $\mathbb{ET}$ space represented by spatio-temporal principle components, and feed them into off-the-shelf trajectory forecasting models. The inputs and outputs of the models as well as social interactions are all gathered and aggregated in the corresponding $\mathbb{ET}$ space. Lastly, we propose a trajectory anchor-based refinement method to cover all possible futures in the proposed $\mathbb{ET}$ space. Extensive experiments demonstrate that our EigenTrajectory predictor can significantly improve both the prediction accuracy and reliability of existing trajectory forecasting models on public benchmarks, indicating that the proposed descriptor is suited to represent pedestrian behaviors. Code is publicly available at https://github.com/inhwanbae/EigenTrajectory .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google