基于神经网络的行人轨迹预测中的对比学习

"基于神经网络的行人轨迹预测对比学习" 本文研究基于神经网络的行人轨迹预测对比学习，旨在提高行人轨迹预测的准确性。该研究提出了一种新的基于动作的对比学习损失，利用行人的动作信息来提高学习轨迹嵌入。此外，该研究还介绍了一种新的轨迹采样策略，能够有效地增加负和正对比样本。 轨迹预测是成功的人机交互的基本任务，例如在自动驾驶中。传统的方法是基于过去的轨迹来预测未来轨迹，但这种方法忽略了行人的行为信息对预测轨迹的影响。本文认为，行人的行为信息对预测轨迹有着重要的影响，例如，一边走一边发短信的未来轨迹可能不同于携带物体或推婴儿车的行人。 提出的基于动作的对比学习损失背后的基本思想是，执行相同动作的行人的轨迹在特征空间中应该比具有显著不同动作的行人的轨迹更接近彼此。该损失函数可以学习到更好的轨迹表示，从而提高行人轨迹预测的准确性。 此外，该研究还提出了一种新的轨迹采样策略，使用经过训练的条件变分自动编码器（CVAE）生成额外的合成轨迹样本。该策略可以有效地增加负和正对比样本，从而提高对比学习的效果。 实验结果表明，提出的对比框架可以学习更好的轨迹表示，并且在三个轨迹预测基准上优于最先进的方法。 本文提出了一种基于神经网络的行人轨迹预测对比学习方法，该方法可以学习到更好的轨迹表示，并提高行人轨迹预测的准确性。 知识点： 1. 轨迹预测是成功的人机交互的基本任务，例如在自动驾驶中。 2. 行人的行为信息对预测轨迹有着重要的影响。 3. 基于动作的对比学习损失可以学习到更好的轨迹表示。 4. 轨迹采样策略可以有效地增加负和正对比样本。 5. 条件变分自动编码器（CVAE）可以生成额外的合成轨迹样本。 6. 对比学习可以提高行人轨迹预测的准确性。 本文提出了一种基于神经网络的行人轨迹预测对比学习方法，该方法可以学习到更好的轨迹表示，并提高行人轨迹预测的准确性。