DAG-Net: Doppelt aufmerksches graphisches neuronales Netzwerk für die Trajektorien-Vorhersage

Das Verständnis menschlichen Bewegungsverhaltens ist eine entscheidende Aufgabe für zahlreiche Anwendungen, wie beispielsweise autonome Fahrzeuge oder soziale Roboter, und allgemein für alle Szenarien, in denen ein autonomes Agens sich in einer menschenzentrierten Umgebung bewegen muss. Dies ist nicht trivial, da menschliche Bewegungen inhärent mehrdeutig sind: Gegeben eine Historie menschlicher Bewegungspfade existieren viele plausibele Wege, auf denen Menschen zukünftig sich bewegen könnten. Zudem werden menschliche Aktivitäten oft durch Ziele gesteuert, beispielsweise das Erreichen bestimmter Orte oder die Interaktion mit der Umgebung. Wir behandeln diese Aspekte durch die Einführung eines neuen rekurrenten generativen Modells, das sowohl zukünftige Ziele einzelner Agenten als auch Wechselwirkungen zwischen verschiedenen Agenten berücksichtigt. Das Modell nutzt ein doppelt auf Aufmerksamkeit basierendes Graphen-Neuronales Netzwerk, um Informationen über die gegenseitigen Beeinflussungen zwischen Agenten zu sammeln und diese mit Daten über mögliche zukünftige Ziele der Agenten zu integrieren. Unser Ansatz ist allgemein genug, um auf verschiedene Szenarien anwendbar zu sein: Das Modell erreicht state-of-the-art Ergebnisse sowohl in städtischen Umgebungen als auch in Anwendungen aus dem Bereich des Sports.