Social STGCNN.pdf

更好地了解行人行为的机器可以更快地建模诸如自动驾驶汽车和人类之类的特工之间的交互。行人的轨迹不仅受到行人本身的影响，还受到与周围物体的相互作用的影响。以前的方法通过使用各种聚合方法对这些交互进行建模，这些聚合方法整合了不同的学习者行人状态。我们提出了社会时空图卷积神经网络（Social-STGCNN），该模型通过将交互建模为图形来替代聚合方法的需求。我们的结果表明，与以前报道的方法相比，最终位移误差（FDE）相对于现有技术的改进为20％，平均位移误差（ADE）的改进为参数减少了8.5倍，推理速度提高了48倍。此外，我们的模型具有较高的数据效率，仅使用20％的训练数据就超出了ADE指标上的现有技