2 个月前

Social GAN:基于生成对抗网络的社会可接受轨迹预测

Agrim Gupta; Justin Johnson; Li Fei-Fei; Silvio Savarese; Alexandre Alahi
Social GAN:基于生成对抗网络的社会可接受轨迹预测
摘要

理解人类运动行为对于自主移动平台(如自动驾驶汽车和社会机器人)在以人类为中心的环境中导航至关重要。这一问题具有挑战性,因为人类运动本质上是多模态的:给定一段人类运动路径的历史记录,未来人们可能采取的行动方式有多种社会上合理的可能性。我们通过结合序列预测和生成对抗网络的工具来解决这一问题:一个循环序列到序列模型观察运动历史并预测未来行为,利用一种新颖的池化机制来聚合人群中的信息。我们通过对抗性训练与一个循环判别器竞争,以预测社会上合理的行为,并通过引入一种新颖的多样性损失函数来鼓励多样性的预测。通过在多个数据集上的实验,我们证明了我们的方法在准确性、多样性、碰撞避免和计算复杂度方面优于先前的工作。