Social-STGCNN: Ein sozialer räumlich-zeitlicher Graph-Convolutional Neural Network zur Vorhersage menschlicher Trajektorien

Eine verbesserte maschinelle Verständnis von Fußgänger-Verhaltensmustern ermöglicht einen schnelleren Fortschritt bei der Modellierung von Interaktionen zwischen Agenten wie autonomen Fahrzeugen und Menschen. Fußgängertrajektorien werden nicht nur von den Fußgängern selbst beeinflusst, sondern auch durch Wechselwirkungen mit umgebenden Objekten. Bisherige Methoden modellierten diese Interaktionen durch verschiedene Aggregationsverfahren, die unterschiedliche, gelernte Zustände von Fußgängern integrierten. Wir stellen das Social Spatio-Temporal Graph Convolutional Neural Network (Social-STGCNN) vor, das die Notwendigkeit solcher Aggregationsverfahren durch die Modellierung der Interaktionen als Graph ersetzt. Unsere Ergebnisse zeigen eine Verbesserung gegenüber dem Stand der Technik um 20 % bezüglich des Final Displacement Error (FDE) sowie eine Verbesserung des Average Displacement Error (ADE) bei lediglich 8,5-mal weniger Parametern und bis zu 48-mal schnellerer Inferenzgeschwindigkeit im Vergleich zu früheren Ansätzen. Zudem ist unser Modell dateneffizient und erreicht auf der ADE-Metrik bereits mit nur 20 % des Trainingsdatensatzes die Leistung des vorherigen State-of-the-Art. Wir schlagen eine Kernfunktion vor, um soziale Interaktionen zwischen Fußgängern innerhalb der Adjazenzmatrix zu kodieren. Durch qualitative Analysen zeigen wir, dass unser Modell soziale Verhaltensmuster erlernt hat, die man von Fußgängertrajektorien erwarten kann. Der Quellcode ist unter https://github.com/abduallahmohamed/Social-STGCNN verfügbar.