Press "Enter" to skip to content

社交LSTM:预测你的路径轨迹未来的深度学习模型!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

注:本博客试图解释描述深度学习模型Social-LSTM的研究论文。论文可以在这里找到。 here

 

为什幺选择社交LSTM

Social LSTM是一个模型,它预测行人的未来轨迹(我们可以为其他类型的对象定制该轨迹–例如™轨迹),给出他们过去的轨迹数据。

大多数早期的工作都受到以下两个假设的限制。

 

i)他们使用手工制作的函数来为特定设置建模-�交互-�,而不是以数据驱动的方式进行推断。这导致倾向于捕捉简单交互(例如,排斥/吸引)的模型,并且可能无法对更复杂、拥挤的设置进行泛化。

 

ii)他们专注于对彼此接近的人之间的互动进行建模(以避免立即发生碰撞)。然而,他们并没有预料到在更遥远的未来可能会发生的互动。

 

这就是Social LSTM填补空白的地方。

 

多幺

 

该模型通过一种新颖的体系结构来模拟这一问题,该体系结构将对应于邻近序列的LSTM连接起来。特别是,它引入了一个“EUROUREœSIONEREURE”�池层,该层允许空间上邻近序列的LSTM彼此共享它们的隐藏状态。该体系结构可以自动学习在时间上重合的轨迹之间发生的典型交互。该模型利用现有的人体轨迹数据集,无需任何额外的注释即可了解人类在社交空间中观察到的常识、规则和惯例

 

什幺

 

Models假设每个场景(来自俯视静电摄像机的帧序列)首先经过预处理,以获得所有人在不同时刻的空间坐标。在任何时间-瞬间,场景中的i?,œ?,·人都由他/她的xy坐标(xá,œ,yáá?,œ)表示。我们观察从时间1到T?,‘?,†?,>(输入序列)的所有人的位置,并为时间时刻T?,’?,†?,>+1到T?,šáµGB?,‘?(未来预测序列)预测他们的位置。

LSTM权重在所有序列之间共享。

 

隐藏状态的社会汇集

 

个体通过对周围人的运动进行隐含的推理来调整自己的路径。反过来,这些邻居又会受到周围其他人的影响,并可能随着时间的推移改变他们的行为。模型期望LSTM的隐藏状态能够捕获这些时变的运动属性。为了在多个人之间进行联合推理,MODEL引入了如图2所示的œ社会层�汇聚层。在每个时间步,LSTM单元从邻居的LSTM单元接收汇聚的隐藏状态信息。

利用时间˜tâuro™的隐藏状态来预测轨迹位置在下一个时间步长(xâuro™,yâuro™)á,œ?,Šâ,�的分布–euro˜t+1?euro™。(x?euro?t?y?euro™)á?,œ?,Š?,�在下一个时间步?EURO˜t+1?EURO™?

 

结果

 

在测试期间,作者使用经过训练的社会-LSTM(以及它-欧元™的修改)模型来预测i?,™?,·人的未来位置(xâuroœááá?,yâuro™ááá?,œ)。在测试期间,作者使用经过训练的社会-LSTM(以及It?uro LSTM的修改)模型来预测i?,œ?从时间T?,‘?,†?,>?,Š?,�到T?,šáµGb?,’?,“,它们使用来自前一个社会-LSTM单元格的预测位置(xáuro™áá?,œ,yâuro™ááá?,œ),而不是真实的坐标(xá?,œ,yáá??,œ)。

 

模型比较

线性模型(LIN):作者使用现成的卡尔曼过滤在假设线性加速度的情况下外推轨迹。
碰撞避免(LTA):作者报告了一个简化版本的社会力模型的结果,该模型只使用碰撞避免能量,通常称为线性轨迹避免。
社交力(SF):作者使用了社交力模型的实现,在该模型中对群体亲和力和预测的目的地等几个因素进行了建模。
迭代高斯过程(IGP):作者使用IGP的实现。与其他基线不同,IGP还使用有关人员最终目的地的附加信息。
作者?™Vanilla LSTM(LSTM)。这是社交-LSTM模型的简化设置,其中作者删除了“uroœSocial”�池层,并将所有轨迹视为彼此独立。
作者使用占用地图的™LSTM(O-LSTM)。作者展示了简化版本的社会-LSTM模型的性能。需要提醒的是,该模型在每个时间实例仅汇集邻居的坐标

使用的测试指标:

 

真实场景中的额外结果

 

 

原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2021/06/26/%e7%a4%be%e4%ba%a4lstm%ef%bc%9a%e9%a2%84%e6%b5%8b%e4%bd%a0%e7%9a%84%e8%b7%af%e5%be%84%e8%bd%a8%e8%bf%b9%e6%9c%aa%e6%9d%a5%e7%9a%84%e6%b7%b1%e5%ba%a6%e5%ad%a6%e4%b9%a0%e6%a8%a1%e5%9e%8b%ef%bc%81/

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注