In dieser Arbeit wird ein neuer Ansatz namens Di-Long vorgestellt, der die Leistung der Langzeit-Trajektorienvorhersage durch den Einsatz eines Wissenstransfers von einem Kurzzeit-Trajektorienvorhersagemodell ("Lehrer") zu einem Langzeit-Trajektorienvorhersagemodell ("Schüler") verbessert.
Der Kern der Idee ist, dass der Lehrer, der eine kürzere Beobachtungssequenz verarbeitet, eine genauere Vorhersage für den näheren Zeitraum liefert. Dieses Wissen wird dann verwendet, um den Schüler, der eine längere Vorhersage erstellen muss, während des Trainings zu unterstützen und so die Unsicherheit bei der Langzeit-Vorhersage zu reduzieren.
Dazu werden sowohl das Zielmodul (das die wahrscheinlichen Endpositionen der Trajektorien vorhersagt) als auch das zeitliche Modul (das die eigentliche Trajektorienvorhersage durchführt) des Schülermodells durch den Lehrer angeleitet. Die Experimente zeigen, dass dieser Ansatz zu state-of-the-art-Ergebnissen auf den Datensätzen inD und SDD führt.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Sourav Das,G... a las arxiv.org 03-18-2024
https://arxiv.org/pdf/2305.08553.pdfConsultas más profundas