Social-STGCNN:行人轨迹预测的社会时空图卷积神经网络
需积分: 20 60 浏览量
更新于2024-09-08
收藏 1.04MB PDF 举报
"Social-STGCNN是一种用于行人轨迹预测的创新模型,它利用社会时空图卷积神经网络(Social-Spatio-Temporal Graph Convolutional Neural Network)来模拟行人之间的交互,取代传统的聚合方法。该模型提高了预测精度,减少了位移误差,并提升了推理速度。Social-STGCNN具有数据高效性,能用少量训练数据达到超越现有技术水平的表现。通过将社交互动嵌入邻接矩阵,模型能够捕捉到行人轨迹中的社会行为模式。代码可在https://github.com/abduallahmohamed/Social-STGCNN上获取。"
在行人轨迹预测这一领域,Social-STGCNN提出了一种新的建模方式。传统方法通常依赖于各种聚合策略来处理行人之间的交互,而Social-STGCNN则通过构建图形结构来直接表示这些交互,这使得模型能更精确地理解行人行为的复杂性。模型的核心是社会时空图卷积层,它结合了空间和时间信息,对行人与环境及其它行人的相互作用进行建模。
在性能方面,Social-STGCNN相较于之前的技术取得了显著提升。最终位移误差(Final Displacement Error, FDE)减少了20%,平均位移误差(Average Displacement Error, ADE)减少达8.5倍,同时推理速度提升了48倍。这意味着Social-STGCNN不仅能提供更准确的预测,而且计算效率更高。此外,它在数据效率上也表现出色,只需20%的训练数据,就能在ADE指标上超越现有的最佳水平。
为了刻画行人之间的社交互动,Social-STGCNN引入了一个核函数,这个核函数被用来构建邻接矩阵,从而将社交行为编码到模型中。通过定性分析,研究人员证明了模型能够捕获和重现行人之间预期的社会行为,如并行行走、避障和群体行为等。
Social-STGCNN的应用范围广泛,尤其是在自动驾驶和监控系统中。在自动驾驶情境下,准确预测行人轨迹有助于车辆提前规划行驶路线,避免潜在危险。在监控系统中,预测行人轨迹有助于识别异常行为,增强系统的安全性。由于行人轨迹受到环境、物理障碍以及社会交互的多重影响,Social-STGCNN的图网络结构恰好能应对这些复杂因素,提高预测的准确性和鲁棒性。
Social-STGCNN为行人轨迹预测提供了一种新视角,通过将社会交互视为图形结构,它成功地提升了预测模型的性能,并展示了其在实际应用中的潜力。对于未来的研究和开发,Social-STGCNN的源代码公开,为研究者提供了深入理解和进一步改进的基础。
2021-04-02 上传
2021-04-14 上传
2023-07-25 上传
2023-06-20 上传
2023-03-21 上传
2023-04-25 上传
2023-05-25 上传
2023-04-05 上传
2024-09-14 上传
2023-06-13 上传
Way_X
- 粉丝: 1792
- 资源: 5
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展