stugcn

引言

行人轨迹预测对于各种应用（例如，自动驾驶和监视系统）至关重要。 实际上，在不断变化的环境中进行平滑且安全的路径规划时，确实需要通过预测来预测。 预测行人轨迹对于防止移动平台碰撞对人的伤害具有重要意义[1]。
尽管已经研究了各种社会行为，但是要全面考虑它们却具有挑战性。 已经有许多现有的工作试图为交互建模提供系统的解决方案。 一些相关技术包括但不限于社交池层[2-5]，生成对抗网络[6-8]等。这些技术使用了循环架构。 另一研究领域依赖于图形表示法来建模社会交往[9，10]。 我们的方法属于此类，但与现有方法相比，性能有了显着提高。 Social-STGCNN方法[10]建议使用图神经网络（GNN）进行轨迹预测。 但是，STGCNN使用图卷积在每个时间步提取空间关系，然后使用TCN对时间动态建模。 尽管这种分解可以进行有效的远程建模，但它阻碍了跨时空的直接信息流以捕获复杂的区域时空依赖性。
为了解决上述问题，我们提出了一种新颖的架构，称为STUGCN（时空统一图卷积网络）。 我们介绍G3D，这是一个统一的时空图卷积模块，可以直接对跨时空相关性进行建模。 G3D通过在“ 3D”时空域上引入图边作为无障碍信息流的跳过连接来实现此目的，从而极大地促进了复杂的区域时空依存性学习。 利用GNN汇总的功能，将时间外推器卷积神经网络（TXP-CNN）用作解码器，以便在数据的时间维度上进行预测。 为了验证所提出模型的优越性，对两个数据集进行了广泛的实验：ETH [11]和UCY [12]。 我们的模型在两个数据集上均达到了最先进的性能。
文献
使用深度模型进行人体轨迹预测已经进行了数十年的研究。基于力的规则和功能，社会力量模型[13]使用吸引力

最后

以上就是鲜艳小懒猪为你收集整理的stugcn的全部内容，希望文章能够帮你解决stugcn所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。