ソーシャルLSTM：混雑した空間における人間の軌道予測

人間は、個人空間を尊重し、通行権を譲り合い、衝突を回避するといった社会的規範に基づいて、複雑な混雑した環境を navigating する。本研究では、人間同士の相互作用をデータ駆動型のアプローチで学習し、将来の軌道を予測する手法を提案する。従来のアプローチが、社会的力（Social forces）など手作業で設計された関数を用いるのに対し、本手法はデータから自然に相互作用を学習する。我々は、シーン内の複数の個体を統合的に推論できる新しい長短期記憶（LSTM）モデルを提案する。従来のLSTMとは異なり、隣接する軌道に対応する複数のLSTMから得られる隠れ表現を、新たに導入したプーリング層を通じて共有することで、その近隣領域における相互作用を捉える。本手法の有効性を複数の公開データセット上で検証した結果、従来の予測手法を42%以上上回る性能を達成した。また、モデルが予測した軌道を分析することで、衝突回避やグループ移動といった社会的行動が、モデルによって自然に学習されていることを示した。