Vorhersage menschlicher Trajektorien mittels neuronaler sozialer Physik

Die Trajektorienvorhersage wird in vielen Bereichen intensiv erforscht, und es wurden zahlreiche modellbasierte sowie modellfreie Ansätze untersucht. Zu den modellbasierten Methoden zählen regelbasierte, geometrische oder optimierungsorientierte Modelle, während die modellfreien Ansätze hauptsächlich auf tiefen neuronalen Netzen beruhen. In diesem Artikel stellen wir eine neue Methode vor, die beide Ansätze auf der Grundlage eines neuartigen Neuralen Differentialgleichungsmodells kombiniert. Unser neues Modell (Neural Social Physics, NSP) ist ein tiefes neuronales Netzwerk, in dem wir ein explizites physikalisches Modell mit lernbaren Parametern integrieren. Das explizite physikalische Modell dient als starke induktive Voreingenommenheit bei der Modellierung menschlichen Verhaltens, während der restliche Teil des Netzwerks eine hohe Anpassungsfähigkeit an Daten bietet, insbesondere hinsichtlich der Schätzung systemischer Parameter und der Modellierung stochastischer Dynamik. Wir vergleichen NSP mit 15 jüngeren tiefen Lernmethoden anhand von sechs Datensätzen und erreichen eine Verbesserung der bisherigen State-of-the-Art-Leistung um 5,56 % bis 70 %. Zudem zeigen wir, dass NSP eine bessere Verallgemeinerungsfähigkeit besitzt, wenn es darum geht, plausibele Trajektorien in extrem unterschiedlichen Szenarien vorherzusagen, bei denen die Dichte bis zu fünfmal höher ist als in den Testdaten. Schließlich demonstrieren wir, dass das physikalische Modell in NSP menschliches Verhalten plausibel erklären kann – im Gegensatz zu schwarzen Kästen tiefen Lernens. Der Quellcode ist verfügbar unter: https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics.