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.
Na inny język
z treści źródłowej
arxiv.org
Głębsze pytania