Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction

要約

歩行者の運動軌跡を予測することは、自動運転車の経路計画と運動制御にとって非常に重要です。
さまざまな環境における人間の動きは不確実であるため、群衆の軌跡を正確に予測することは困難です。
トレーニングには、最近の深層学習ベースの予測アプローチでは、主に、軌跡履歴や歩行者間のインタラクションなどの情報が利用されます。
これにより、トレーニング データセット間の不一致が適切に組み込まれていないため、さまざまなシナリオにわたって予測パフォーマンスが制限される可能性があります。
この制限を克服するために、この論文では、データセットに含まれるさまざまなサイトとシナリオ間の違いを捉え、予測パフォーマンスを向上させるグラフ トランスフォーマー構造を提案します。
特に、モデルの汎化能力を向上させるために、自己注意メカニズムとドメイン適応モジュールが設計されています。
さらに、トレーニングとパフォーマンス評価の目的で、クロスデータセットシーケンスを考慮した追加のメトリクスが導入されています。
提案されたフレームワークは、一般的な公開データセット、つまり ETH と UCY を使用して検証され、既存の方法と比較されます。
実験結果は、提案したスキームのパフォーマンスが向上していることを示しています。

要約(オリジナル)

Predicting pedestrian motion trajectories is crucial for path planning and motion control of autonomous vehicles. Accurately forecasting crowd trajectories is challenging due to the uncertain nature of human motions in different environments. For training, recent deep learning-based prediction approaches mainly utilize information like trajectory history and interactions between pedestrians, among others. This can limit the prediction performance across various scenarios since the discrepancies between training datasets have not been properly incorporated. To overcome this limitation, this paper proposes a graph transformer structure to improve prediction performance, capturing the differences between the various sites and scenarios contained in the datasets. In particular, a self-attention mechanism and a domain adaption module have been designed to improve the generalization ability of the model. Moreover, an additional metric considering cross-dataset sequences is introduced for training and performance evaluation purposes. The proposed framework is validated and compared against existing methods using popular public datasets, i.e., ETH and UCY. Experimental results demonstrate the improved performance of our proposed scheme.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google