Core Concepts
Ein verbessertes Modell zur Vorhersage von Fußgängertrajektorien, das durch Datenaugmentierung und die Verwendung periodischer Aktivierungsfunktionen eine bessere Leistung erzielt.
Abstract
In dieser Arbeit wird ein verbessertes Modell zur Vorhersage von Fußgängertrajektorien, genannt G-PECNet, vorgestellt. Das Modell baut auf dem PECNet-Modell auf und erzielt durch eine Kombination von Architekturverbesserungen und synthetischen Trajektorien-Augmentierungen eine Verbesserung von 9,5% beim Final Displacement Error (FDE) auf dem PECNet-Benchmark.
Die Autoren verwenden eine Reinforcement-Learning-basierte Methode, um synthetische Trajektorien zu erstellen, die dann zur Erweiterung des Trainingsdatensatzes verwendet werden. Außerdem ersetzen sie die ReLU-Aktivierungsfunktionen durch periodische Aktivierungsfunktionen (SIRENs), um feinere räumliche und zeitliche Details zu erfassen.
Darüber hinaus führen die Autoren eine neue Metrik, den Abruptness Score (AbScore), ein, um die Nichtlinearität von Trajektorien zu quantifizieren. Diese Metrik wird zur Datenbereinigung und Unterstützung des synthetischen Datengenerierungsprozesses verwendet.
Die Ergebnisse zeigen, dass G-PECNet den State-of-the-Art beim FDE auf dem Stanford Drone Dataset übertrifft. Die Autoren diskutieren auch mögliche Erweiterungen ihrer Arbeit, wie die Einführung eines Konfidenzmaßes und die gleichzeitige Vorhersage multimodaler Trajektorien.
Stats
Die Abruptness-Score-Statistiken für das Stanford Drone Dataset sind:
Maximaler Abruptness-Score: 494866,37
Minimaler Abruptness-Score: 0,0
Mittelwert: 3430,665
Standardabweichung: 11987,34
Quotes
Keine relevanten Zitate identifiziert.