CN117077727B - 基于时空注意力机制和神经常微分方程的轨迹预测方法 - Google Patents
基于时空注意力机制和神经常微分方程的轨迹预测方法 Download PDFInfo
- Publication number
- CN117077727B CN117077727B CN202311203703.XA CN202311203703A CN117077727B CN 117077727 B CN117077727 B CN 117077727B CN 202311203703 A CN202311203703 A CN 202311203703A CN 117077727 B CN117077727 B CN 117077727B
- Authority
- CN
- China
- Prior art keywords
- track
- variable
- historical
- pedestrians
- external input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 230000001537 neural effect Effects 0.000 title claims abstract description 19
- 238000006073 displacement reaction Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于时空注意力机制和神经常微分方程的轨迹预测方法，包括：获取行人和相邻行人的历史轨迹，将历史轨迹转化为社会特征向量；基于历史轨迹与社会特征向量获取初始潜在变量与外部输入变量；基于初始潜在变量与外部输入变量获取潜在变量；基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于历史轨迹与潜在变量获取行人的预测位移序列；将预测位移序列与历史轨迹的序列相加，获取最终预测结果；基于预测位移序列对轨迹预测模型进行参数优化。本发明综合考虑了场景中行人间的相互影响以及VAE中RNN循环更新隐藏状态是否连续的因素，在轨迹预测时了解行人的交互特征，从而提高行人轨迹预测的准确性。
Description
技术领域
本发明属于行人轨迹预测技术领域，特别是涉及一种基于时空注意力机制和神经常微分方程的轨迹预测方法。
背景技术
轨迹预测是一种根据行人或其他主体过去的动作和环境线索来预测其未来位置的任务。对于自动驾驶、机器人导航、行人跟踪和人机交互等许多应用来说，这是一个至关重要的问题。然而，由于行人的行为、行人间的交互以及场景动态的复杂性和不确定性，因此与从遵守物理定理的规则分布数据进行的推断的工作相比，行人轨迹预测是一项非常具有挑战性的任务。
目前现有的工作都对行人之间的交互和行人自身时间维度进行了建模，并且由于机器学习技术的快速发展，人们已经提出了各种方法来解决这个问题，从线性模型到深度学习模型。线性模型简单且快速，但它们常常无法捕捉人类轨迹的非线性和多样性，而深度学习模型则更强大、更灵活。对于关系维度，他们经常使用图、社交池和空间Transformer进行建模。对于时间维度，他们使用循环神经网络(RNN)和时间Transformer进行编码。RNN可以同时对行人间的关系维度以及时间维度进行编码，现有的先进工作是基于RNN的变分自编码器模型(VAE)。但当RNN在循环更新隐藏状态时，隐藏状态通常是离散的。这是因为一般RNN在更新过程中忽略了点与点之间的时间间隔，从而导致了隐藏状态的离散更新。这是一个可能会导致预测精度下降的限制，因为行人的轨迹通常是连续的。因此，需要设计一种新的行人轨迹预测方法，能够有效地利用行人交互信息以及捕获行人的时间维度。
行人在运动时的社会交互属性在轨迹预测任务中起着重要的作用，因此模型的最终预测结果往往与社会特征的准确提取具有强相关性。同时现有的先进工作均是基于RNN架构的神经网络模型，RNN中隐藏状态的离散更新限制了现有模型的能力，因此Neural ODE的使用对基于RNN架构的行人轨迹预测模型起着积极作用。
发明内容
本发明的目的是提供一种基于时空注意力机制和神经常微分方程的轨迹预测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于时空注意力机制和神经常微分方程的轨迹预测方法，包括以下步骤：
获取行人和相邻行人的历史轨迹，将所述历史轨迹转化为社会特征向量；
采用时空注意力机制与图注意力机制，基于所述历史轨迹与所述社会特征向量获取初始潜在变量与外部输入变量；
基于所述初始潜在变量与所述外部输入变量获取潜在变量；
基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于所述历史轨迹与所述潜在变量获取行人的预测位移序列；
将所述预测位移序列与所述历史轨迹的序列相加，获取最终预测结果；
基于所述预测位移序列对所述轨迹预测模型进行参数优化。
可选地，将所述历史轨迹转化为社会特征向量的过程包括：
获取所述历史轨迹中某时刻行人的二维坐标、速度加速度以及位移序列；
基于所述二维坐标、速度加速度以及位移序列计算不同行人之间的欧式距离、方位角以及最小预测距离；
将所述欧式距离、方位角以及最小预测距离进行拼接，获取所述社会特征向量。
可选地，基于所述历史轨迹与所述社会特征向量获取外部输入变量的过程包括：
采用时空注意力机制构建关系维度编码器，将所述历史轨迹与所述社会特征向量输入所述关系维度编码器，获取潜在特征变量；
对所述潜在特征变量进行全局时间平均池化，并基于图注意力机制编码社会特征，获取所述外部输入变量。
可选地，基于所述初始潜在变量与所述外部输入变量获取潜在变量的过程包括：
将所述初始潜在变量和所述外部输入变量输入到GRU中，根据外部输入变量次更新初始潜在变量，获取潜在变量。
可选地，基于所述历史轨迹与所述潜在变量获取行人的预测位移序列的过程包括：
基于循环神经网络结构构建编码器，将所述历史轨迹输入所述编码器，获取真实轨迹特征；
将所述潜在变量与所述真实轨迹特征输入基于“神经常微分方程-循环神经网络”结构的解码器中，获取最终潜在变量，并基于所述最终潜在变量生成预测位移序列。
可选地，基于所述预测位移序列对所述轨迹预测模型进行参数优化的过程包括：
将所述预测位移序列与真实轨迹进行误差计算，并将负证据下限作为误差损失函数反馈给所述轨迹预测模型，采用反向传播算法对所述轨迹预测模型进行重复训练迭代，优化权重参数。
本发明的技术效果为：
本发明提供一种基于时空时空注意力机制和神经常微分方程的行人轨迹预测方法。在给定的场景信息下，挖掘出对行人轨迹有用的社会特征信息，在轨迹预测时了解行人的交互特征，同时连续更新VAE模型中的RNN隐藏状态，从而提高模型预测轨迹的准确性。本发明综合考虑了场景中行人间相互影响以及VAE中RNN循环更新隐藏状态是否连续的因素，并通过与现有的深度学习方法进行对比实验，验证了本发明所提出模型的有效性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的关系维度编码器示意图；
图2为本发明实施例中的时空注意力机制结构示意图；
图3为本发明实施例中基于ODE-RNN的VAE结构示意图；
图4为本发明基于时空注意力机制和神经常微分方程的轨迹预测模型整体结构图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本实施例中提供一种基于时空注意力机制和神经常微分方程的轨迹预测方法，所述方法使用关系维度编码器提取关系特征得到隐藏状态，同时使用图注意力机制编码社会特征得到外部输入变量，并使用“常微分方程-循环神经网络”结构作为自编码器网络中的解码器从而克服标准循环神经网络下隐藏状态，从而使得神经网络能够进行更精确的轨迹预测。
输入为一个行人的历史轨迹信息以及相邻行人的历史轨迹信息，该方法包括以下步骤：
步骤(1)、输入行人和相邻行人的历史轨迹转化为社会特征向量，从而描述相邻行人行为对于当前行人的交互影响。
步骤(2)、采用时空Transformer作为关系维度编码器，输入行人历史轨迹和社会特征向量，生成潜在特征变量；并使用图注意力机制编码社会特征得到外部输入变量。
步骤(3)、将步骤(2)得到的潜在特征变量和外部输入变量分别作为循环神经网络中的隐藏状态和输入变量，对潜在特征变量进行循环更新从而得到最终的潜在特征变量。
步骤(4)、采用基于循环神经网络结构的变分自编码器，输入行人历史轨迹得到真实轨迹特征。
步骤(5)、将步骤(3)和步骤(4)得到的潜在特征变量和真实轨迹特征分别作为隐藏状态和真实轨迹特征输入到“神经常微分方程-循环神经网络”结构的解码器，得到预测的位移序列。
步骤(6)、将步骤(5)得到的预测位移序列与历史轨迹序列相加，得到最终预测结果。
步骤(7)、根据步骤(5)得到的预测位移序列，采用负证据下限作为预测误差的损失函数，采用反向传播算法，优化调整神经网络模型中的所有权重参数。
在步骤(1)中，假定在任意时刻中给定一个包含N个行人的场景，其中令{xi，vi，ai}分别是行人i的在时间t时的二维坐标，速度以及加速度，以及/>是位移序列。社会特征由三个向量组成：首先是行人i和j之间的欧氏距离/>即行人间相对距离/>的2次范式；第二是从行人i到j的方位角/>以及行人i和j之间在h秒之内的最小预测距离/>其中，/>以及Δt是两帧间的间隔。
基于上述过程，将这三个社会向量拼接得到最终的社会特征向量ki＝concat(||p||，c，m)。
在步骤(2)中，基于步骤(1)中求得的t时刻内的社会特征以及行人历史轨迹/>将其输入到空间Transformer中得到/>其计算公式为：
其中Q，K，V由嵌入式网络求得，Wi是三层前馈网络的参数权重。同时，在空间Transformer中堆叠图卷积神经网络并使用门控机制融合图卷积特征得到/>其计算公式为：
其中是图卷积神经网络，fs和fε均是嵌入式网络。
随后将由空间Transformer得到的输入到与之类似的时间Transformer中得到其中时间Transformer中并无图卷积和门控机制。最后使用全局时间池化函数对/>的时间维度进行池化，得到初始潜在状态变量hi。
最后，使用图注意力机制编码社会特征，求得外部输入变量其计算公式为：
其中，fq是嵌入式网络，是行人i相对于j的局部状态，是行人的自状态，/>是连接操作。
在步骤(3)中，基于步骤(2)求得的潜在初始变量和外部输入变量，将其输入到门控循环单元(GRU)中，根据外部输入变量T次更新初始潜在变量，其计算公式为：
在步骤(4)中，采用基于循环神经网络架构的变分自编码器结构，使用门口循环单元，输入行人的历史轨迹编码得到真实轨迹特征/>其计算公式为：
其中，H为未来预测时间。
在步骤(5)中，采用“神经常微分方程-循环神经网络”结构的解码器，输入步骤(3)和步骤(4)中求得的潜在变量和真实轨迹特征，解码求得最终的潜在变量hi，其计算过程为：
其中，fθ是时不变函数，fδ和是嵌入式网络，同时，在神经网络求解过程中，我们使用常微分方程求解器对积分进行求解。最后根据hi，我们可以得到/>位移向量的标准正态分布。则行人i最终的预测位置为：
在步骤(7)中，将该神经网络输出的预测结果与真实轨迹进行误差计算，并将负证据下限作为误差损失函数反馈给模型，通过多次的训练迭代，从而不断的优化整个神经网络的权重参数，使得模型的预测行人的最终轨迹更加接近行人的真实轨迹。
实施例二
本实施例提供一种基于时空注意力机制和神经常微分方程的轨迹预测方法的具体实现流程，如图1所示，为关系维度编码器示意图，用于提取社会特征向量生成初始潜在变量。图2为关系为度编码器中的时空Transformer结构图。图3为基于ODE-RNN的VAE模型，用于生成预测轨迹的特征。图4为本发明轨迹预测模型的整体结构图。
在行人的运动过程中，行人的历史轨迹和社会交互特征对行人未来的轨迹有重要影响。同时，行人的轨迹信息通常是连续且不规则的，这对神经网络模型的预测精度同样有重要影响。因此在轨迹预测时了解行人的交互特征，同时连续更新VAE模型中的RNN隐藏状态，对行人轨迹预测起到积极作用。VAE模型作为一种深度学习中潜在空间的生成模型，其中基于RNN的模型对于时序数据的优越性能表现，近年来在轨迹预测任务中深受研究学者们的青睐。于是本研究使用基于RNN的VAE作为神经网络的主框架来学习生成轨迹中行人的轨迹信息。
本实施例的实施过程包含以下步骤：
步骤(1)：初始的轨迹数据需要进行数据预处理操作才能作为输入数据输入到神经网络中，对原始数据进行筛选，每0.4秒保留1帧，保留长度为20帧的输入轨迹数据，保留每帧的位置坐标信息，并分为8帧历史轨迹和12帧未来轨迹。
步骤(2)：根据关系维度编码器的输入特点，将目标行人的数据根据半径范围生成社会特征向量，并输入历史轨迹与社会特征向量，先经过时空Transformer得到潜在变量，随后对潜在变量使用全局时间平均池化。随后使用图注意力机制编码社会特征得到外部输入变量。最后使用GRU通过外部输入变量，循环更新潜在变量，从而得到初始潜在变量。
步骤(3)：根据ODE-RNN的VAE模型的结构特点，首先输入20帧的轨迹数据进入GRU编码器中，得到真实轨迹特征。随后输入真实轨迹特征和初始潜在变量到ODE-RNN结构的解码器中，得到最终的潜在变量，并根据最终潜在变量，生成预测的位移序列分布。最后使位移序列与历史轨迹相加得到最终的预测坐标。
步骤(4)：在模型训练阶段，会对关系维度编码器，ODE-RNN的VAE模型中的编码器和解码器进行多轮训练，从而不断的优化网络中的参数权重。训练完成后，对预测的坐标进行精度评估。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于时空注意力机制和神经常微分方程的轨迹预测方法，其特征在于，包括以下步骤：
获取行人和相邻行人的历史轨迹，将所述历史轨迹转化为社会特征向量；
采用时空注意力机制与图注意力机制，基于所述历史轨迹与所述社会特征向量获取初始潜在变量与外部输入变量；
基于所述初始潜在变量与所述外部输入变量获取潜在变量；
基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于所述历史轨迹与所述潜在变量获取行人的预测位移序列；
将所述预测位移序列与所述历史轨迹的序列相加，获取最终预测结果；
基于所述预测位移序列对所述轨迹预测模型进行参数优化；
将所述历史轨迹转化为社会特征向量的过程包括：
获取所述历史轨迹中某时刻行人的二维坐标、速度加速度以及位移序列；
基于所述二维坐标、速度加速度以及位移序列计算不同行人之间的欧式距离、方位角以及最小预测距离；
将所述欧式距离、方位角以及最小预测距离进行拼接，获取所述社会特征向量；
基于所述历史轨迹与所述社会特征向量获取外部输入变量的过程包括：
采用时空注意力机制构建关系维度编码器，将所述历史轨迹与所述社会特征向量输入所述关系维度编码器，获取潜在特征变量；
对所述潜在特征变量进行全局时间平均池化，并基于图注意力机制编码社会特征，获取所述外部输入变量；
基于所述初始潜在变量与所述外部输入变量获取潜在变量的过程包括：
将所述初始潜在变量和所述外部输入变量输入到GRU中，根据外部输入变量次更新初始潜在变量，获取潜在变量；
基于所述历史轨迹与所述潜在变量获取行人的预测位移序列的过程包括：
基于循环神经网络结构构建编码器，将所述历史轨迹输入所述编码器，获取真实轨迹特征；
将所述潜在变量与所述真实轨迹特征输入基于“神经常微分方程-循环神经网络”结构的解码器中，获取最终潜在变量，并基于所述最终潜在变量生成预测位移序列；
基于所述预测位移序列对所述轨迹预测模型进行参数优化的过程包括：
将所述预测位移序列与真实轨迹进行误差计算，并将负证据下限作为误差损失函数反馈给所述轨迹预测模型，采用反向传播算法对所述轨迹预测模型进行重复训练迭代，优化权重参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203703.XA CN117077727B (zh) | 2023-09-18 | 2023-09-18 | 基于时空注意力机制和神经常微分方程的轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203703.XA CN117077727B (zh) | 2023-09-18 | 2023-09-18 | 基于时空注意力机制和神经常微分方程的轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077727A CN117077727A (zh) | 2023-11-17 |
| CN117077727B true CN117077727B (zh) | 2024-04-09 |
Family
ID=88704313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203703.XA Active CN117077727B (zh) | 2023-09-18 | 2023-09-18 | 基于时空注意力机制和神经常微分方程的轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077727B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252905B (zh) * | 2023-11-20 | 2024-03-19 | 暗物智能科技(广州)有限公司 | 一种基于神经微分方程的行人轨迹预测方法及系统 |
| CN117541998B (zh) * | 2024-01-10 | 2024-03-29 | 北京理工大学 | 一种基于贝叶斯神经网络的行人轨迹融合预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022847A (zh) * | 2021-11-23 | 2022-02-08 | 清华大学 | 一种智能体轨迹预测方法、系统、设备和存储介质 |
| CN115438856A (zh) * | 2022-09-05 | 2022-12-06 | 重庆邮电大学 | 基于时空交互特征和终点信息的行人轨迹预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11914955B2 (en) * | 2019-05-21 | 2024-02-27 | Royal Bank Of Canada | System and method for machine learning architecture with variational autoencoder pooling |
-
2023
- 2023-09-18 CN CN202311203703.XA patent/CN117077727B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022847A (zh) * | 2021-11-23 | 2022-02-08 | 清华大学 | 一种智能体轨迹预测方法、系统、设备和存储介质 |
| CN115438856A (zh) * | 2022-09-05 | 2022-12-06 | 重庆邮电大学 | 基于时空交互特征和终点信息的行人轨迹预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 结合社会特征和注意力的行人轨迹预测模型;张志远;刁英华;;西安电子科技大学学报;20191113(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077727A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Stochastic trajectory prediction via motion indeterminacy diffusion | |
| Li et al. | Spatio-temporal graph dual-attention network for multi-agent prediction and tracking | |
| CN117077727B (zh) | 基于时空注意力机制和神经常微分方程的轨迹预测方法 | |
| Kosaraju et al. | Social-bigat: Multimodal trajectory forecasting using bicycle-gan and graph attention networks | |
| Song et al. | Pedestrian trajectory prediction based on deep convolutional LSTM network | |
| Vasquez et al. | Incremental learning of statistical motion patterns with growing hidden markov models | |
| Zhao et al. | A spatial-temporal attention model for human trajectory prediction. | |
| Cheng et al. | Bi-pointflownet: Bidirectional learning for point cloud based scene flow estimation | |
| Li et al. | A recurrent attention and interaction model for pedestrian trajectory prediction | |
| CN112347923A (zh) | 一种基于对抗生成网络的路侧端行人轨迹预测算法 | |
| CN115438856A (zh) | 基于时空交互特征和终点信息的行人轨迹预测方法 | |
| Lv et al. | An improved GAN with transformers for pedestrian trajectory prediction models | |
| de Brito et al. | Social-vrnn: One-shot multi-modal trajectory prediction for interacting pedestrians | |
| Lv et al. | SSAGCN: social soft attention graph convolution network for pedestrian trajectory prediction | |
| Haddad et al. | Self-growing spatial graph networks for pedestrian trajectory prediction | |
| Yang et al. | PTPGC: Pedestrian trajectory prediction by graph attention network with ConvLSTM | |
| Konar et al. | Learning goal conditioned socially compliant navigation from demonstration using risk-based features | |
| Yang et al. | Long-short term spatio-temporal aggregation for trajectory prediction | |
| Zernetsch et al. | A holistic view on probabilistic trajectory forecasting–case study. cyclist intention detection | |
| Lv et al. | Learning to estimate 3-d states of deformable linear objects from single-frame occluded point clouds | |
| Pei et al. | A Bayesian filtering framework for continuous affect recognition from facial images | |
| Liu et al. | Social graph transformer networks for pedestrian trajectory prediction in complex social scenarios | |
| Yu et al. | A navigation scheme for a random maze using reinforcement learning with quadrotor vision | |
| Yang et al. | Particle filters in latent space for robust deformable linear object tracking | |
| Sawada | Disentangling controllable and uncontrollable factors of variation by interacting with the world |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |