HyperAIHyperAI
vor 17 Tagen

Remember Intentions: retrospektiv-gedächtnisbasierte Trajektorienvorhersage

Chenxin Xu, Weibo Mao, Wenjun Zhang, Siheng Chen
Remember Intentions: retrospektiv-gedächtnisbasierte Trajektorienvorhersage
Abstract

Um die Trajektorienvorhersage zu realisieren, verwenden die meisten bisherigen Ansätze einen parametrischen Ansatz, bei dem alle beobachteten Paare aus Vergangenheit und Zukunft in die Modellparameter kodiert werden. Bei dieser Vorgehensweise stammen die Modellparameter jedoch aus allen beobachteten Instanzen, was bedeutet, dass eine große Menge an irrelevanten, bereits gesehenen Instanzen ebenfalls bei der Vorhersage der aktuellen Situation berücksichtigt werden können und somit die Leistung beeinträchtigen. Um eine klarere Verbindung zwischen der aktuellen Situation und den bereits gesehenen Instanzen herzustellen, nehmen wir die Mechanismen der retrospektiven Erinnerung aus der Neuropsychologie zum Vorbild und schlagen MemoNet vor – einen instanzbasierten Ansatz, der die Bewegungsabsichten von Agenten dadurch vorhersagt, dass er nach ähnlichen Szenarien in den Trainingsdaten sucht. In MemoNet entwerfen wir ein Paar von Speicherbanken, die explizit repräsentative Instanzen aus dem Trainingsdatensatz speichern und dabei als präfrontale Kortex im neuronalen System fungieren. Zusätzlich wird ein anpassbarer Speicheradressierer eingeführt, der adaptiv ähnliche Instanzen in der Speicherbank für die aktuelle Situation identifiziert und dabei der Basalganglien ähnelt. Bei der Vorhersage ruft MemoNet frühere Erinnerungen durch den Speicheradressierer auf, um relevante Instanzen in der Speicherbank zu indizieren. Wir schlagen zudem ein zweistufiges System zur Trajektorienvorhersage vor, wobei im ersten Schritt MemoNet die Zielposition vorhersagt und im zweiten Schritt die gesamte Trajektorie entsprechend der vorhergesagten Ziele generiert. Experimente zeigen, dass das vorgeschlagene MemoNet die FDE (Final Displacement Error) gegenüber dem bisher besten Ansatz um 20,3 %/10,2 %/28,3 % auf den Datensätzen SDD/ETH-UCY/NBA verbessert. Zudem belegen die Experimente, dass MemoNet während der Vorhersage in der Lage ist, spezifische vorherige Instanzen nachzuverfolgen, was die Interpretierbarkeit erheblich fördert.