[论文解读] Incremental learning of environment interactive structures from trajectories of individuals

Damian Campo, Vahid Bastani+2 more|arXiv (Cornell University)|Sep 9, 2019

Anomaly Detection Techniques and Applications参考文献 28被引用 5

一句话总结

该论文提出了一种增量学习方法，利用人工神经网络（ANNs）和基于卡尔曼滤波的残差分析，通过分析代理轨迹的偏差，推断二维环境中未知静态物体的存在、位置及其性质（吸引或排斥）。该方法能够精确估计速度场并实现亚米级的物体定位，从而实现随时间推移的环境影响分层建模。

ABSTRACT

This work proposes a novel method for estimating the influence that unknown static objects might have over mobile agents. Since the motion of agents can be affected by the presence of fixed objects, it is possible use the information about trajectories deviations to infer the presence of obstacles and estimate the forces involved in a scene. Artificial neural networks are used to estimate a non-parametric function related to the velocity field influencing moving agents. The proposed method is able to incrementally learn the velocity fields due to external static objects within the monitored environment. It determines whether an object has a repulsive or an attractive influence and provides an estimation of its position and size. As stationarity is assumed, i.e., time-invariance of force fields, learned observation models can be used as prior knowledge for estimating hierarchically the properties of new objects in a scene.

研究动机与目标

• 开发一种仅基于轨迹数据来估计未知静态物体对移动代理影响的方法。
• 实现当新静态物体被引入场景时，环境力场的增量学习。
• 基于观测到的代理运动偏差，将未知物体分类为吸引或排斥。
• 使用贝叶斯推断和先验知识，提供分层的、时间不变的环境约束模型。
• 验证该方法在定位物体中心和估计其力场特性方面的准确性。

提出的方法

• 采用卡尔曼滤波框架，其中创新（残差）被建模为表示未知静态物体影响的控制输入项。
• 应用人工神经网络对稀疏轨迹数据执行非参数回归，以在环境中泛化速度场。
• 将力场建模为受物体中心距离影响的矢量场，其方向和大小由代理运动学习得出。
• 采用分层学习策略：利用已知吸引子的先验知识，以改善对新引入的排斥物体的估计。
• 利用ANN输出的速度场的角度和大小，与理论真实值进行比较以进行验证。
• 应用算法1，步长为0.3，从估计的速度场中提取物体位置和性质。

实验结果

研究问题

• RQ1 能否利用移动代理在二维环境中的轨迹偏差，推断未知静态物体的存在及其特性？
• RQ2 非参数神经网络模型在多大程度上能准确估计未知静态物体引起的速度场？
• RQ3 该方法能否在不从头开始重新训练的情况下，增量学习新的环境影响？
• RQ4 系统能否基于代理运动正确分类未知物体为吸引或排斥？
• RQ5 估计的速度场在多大程度上与理论真实值匹配，包括吸引子和一个排斥体？

主要发现

• 该方法将第一个吸引子准确地定位在(-0.2, 15.1)，非常接近其真实位置(0, 15)，两个坐标方向的误差都很小。
• 第二个吸引子被估计为(-10.1, 10)，与真实位置(-10, 10)高度一致，表明定位精度很高。
• 排斥物体被定位在(0.1, -4.7)，接近其真实位置(0, -5)，证实了该方法检测排斥力的能力。
• 从ANN估计的速度场及其方向角与所有三个物体的理论速度场及其方向高度吻合。
• 系统正确分类了所有三个物体：两个吸引子和一个排斥体，展示了准确的力性质识别能力。
• 分层学习方法成功利用吸引子的先验模型，改善了对新引入排斥体的估计，验证了增量学习能力。