Schrittweise zielgetriebene Netze für die Trajektorienvorhersage

Wir schlagen vor, zukünftige Trajektorien beobachteter Agenten (z. B. Fußgänger oder Fahrzeuge) durch die Schätzung und Nutzung ihrer Ziele auf mehreren Zeitskalen vorherzusagen. Wir argumentieren, dass das Ziel eines bewegten Agents im Laufe der Zeit variieren kann, und dass die kontinuierliche Modellierung von Zielen genauere und detailliertere Informationen für die Vorhersage zukünftiger Trajektorien liefert. Dazu präsentieren wir ein rekurrentes Netzwerk für die Trajektorienvorhersage, namens Schrittweise zielgetriebenes Netzwerk (Stepwise Goal-Driven Network, SGNet). Im Gegensatz zu früheren Ansätzen, die lediglich ein einziges, langfristiges Ziel modellieren, schätzt und nutzt SGNet Ziele auf mehreren zeitlichen Skalen. Insbesondere integriert es einen Encoder, der historische Informationen erfasst, einen schrittweisen Ziel-Schätzer, der sukzessive zukünftige Ziele vorhersagt, sowie einen Decoder, der die zukünftige Trajektorie berechnet. Wir evaluieren unser Modell anhand dreier First-Person-Verkehrsdatensätze (HEV-I, JAAD und PIE) sowie dreier Bird’s-Eye-View-Datensätze (NuScenes, ETH und UCY) und zeigen, dass unser Modell auf allen Datensätzen state-of-the-art Ergebnisse erzielt. Der Quellcode ist unter folgender URL verfügbar: https://github.com/ChuhuaW/SGNet.pytorch.