Réseaux orientés par objectifs étape par étape pour la prédiction de trajectoires

Nous proposons de prédire les trajectoires futures des agents observés (par exemple, des piétons ou des véhicules) en estimant et en utilisant leurs objectifs à plusieurs échelles temporelles. Nous soutenons que l’objectif d’un agent en mouvement peut évoluer au fil du temps, et que la modélisation continue des objectifs fournit des informations plus précises et détaillées pour la prédiction des trajectoires futures. À cette fin, nous introduisons un réseau récurrent pour la prédiction de trajectoires, appelé Stepwise Goal-Driven Network (SGNet). Contrairement aux travaux antérieurs qui modélisent un seul objectif à long terme, SGNet est capable d’estimer et d’utiliser des objectifs à plusieurs échelles temporelles. Plus précisément, il intègre un encodeur qui capture les informations historiques, un estimateur d’objectifs par étapes qui prédit successivement les objectifs futurs, ainsi qu’un décodeur qui génère la trajectoire prévue. Nous évaluons notre modèle sur trois jeux de données en perspective première personne (HEV-I, JAAD et PIE) ainsi que sur trois jeux de données en perspective aérienne (NuScenes, ETH et UCY), et démontrons que notre modèle atteint des résultats de pointe sur l’ensemble des jeux de données. Le code source est disponible à l’adresse suivante : https://github.com/ChuhuaW/SGNet.pytorch.