不同密度下的行人轨迹预测：多准则经验分析
摘要：预测人类轨迹是一项具有挑战性的任务，因为行人行为的复杂性受到场景拓扑和与其他行人的相互作用等外部因素的影响。特别的挑战在于行为的依赖性与场景的密度有关。在文献中，深度学习算法在预测行人轨迹方面显示出最佳性能，但目前仅适用于低密度情况。本研究旨在通过评估不同的误差度量标准，将这些算法与长期以来在文献中使用的基于知识的模型的准确性进行比较，以研究这些算法在高密度情景中的适用性。研究结果表明，深度学习算法在距离度量标准上提供了改进的轨迹预测准确性，适用于所有测试密度。然而，我们观察到预测中存在大量的碰撞事件，尤其是在高密度情景中。这个问题部分是由于算法中缺乏碰撞避免机制，部分是因为基于距离的碰撞度量标准在密集情况下不合适。为了解决这些限制，我们提出了一种基于行人时间碰撞的新型连续碰撞度量标准。随后，我们概述了如何利用这个度量标准来增强算法的训练。
作者：Raphael Korbmacher, Huu-Tu Dang, and Antoine Tordeux
论文ID：2307.15442
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-07-31