[论文解读] Intention-aware Residual Bidirectional LSTM for Long-term Pedestrian Trajectory Prediction.

Zhe Huang, Aamir Hasan+1 more|arXiv (Cornell University)|Jun 30, 2020

Autonomous Vehicle Technology and Safety参考文献 36被引用 5

一句话总结

本文提出了一种新颖的意图感知残差双向LSTM（ReBiL）框架，用于长期行人轨迹预测，通过学习相对于名义线性预测的残差偏移量，提升物理合理性。通过整合受遗传算法和粒子滤波启发的可变意图滤波器，该方法在异常意图变化下仍表现出稳健性能，在公开数据集上优于基线方法。

ABSTRACT

Trajectory prediction is one of the key capabilities for robots to safely navigate and interact with pedestrians. Critical insights from human intention and behavioral patterns need to be effectively integrated into long-term pedestrian behavior forecasting. We present a novel intention-aware motion prediction framework, which consists of a Residual Bidirectional LSTM (ReBiL) and a mutable intention filter. Instead of learning step-wise displacement, we propose learning offset to warp a nominal intention-aware linear prediction, giving residual learning a physical intuition. Our intention filter is inspired by genetic algorithms and particle filtering, where particles mutate intention hypotheses throughout the pedestrian motion with ReBiL as the motion model. Through experiments on a publicly available dataset, we show that our method outperforms baseline approaches and the robust performance of our method is demonstrated under abnormal intention-changing scenarios.

研究动机与目标

• 通过将人类意图和行为模式整合到运动建模中，提升长期行人轨迹预测性能。
• 解决在异常或突发意图变化下实现鲁棒预测的挑战。
• 提供一种物理直观的残差学习框架，通过扭曲名义线性预测而非直接学习位移量来实现。
• 开发一种动态意图滤波机制，利用粒子滤波和遗传算法原理，随时间演化假设。

提出的方法

• 该框架使用残差双向LSTM（ReBiL）建模行人运动，利用双向上下文提升时间理解能力。
• 与直接预测绝对位移不同，该模型学习相对于名义意图感知线性预测的残差偏移量，增强物理可解释性。
• 可变意图滤波器维护多个假设粒子，每个粒子代表一种潜在的行人意图，通过ReBiL作为运动模型随时间演化。
• 意图粒子通过受遗传算法和粒子滤波启发的突变与选择机制进行更新，实现对意图变化的自适应响应。
• 意图滤波器基于观测到的运动动态重新加权并更新粒子，提升对意外行为的鲁棒性。
• 最终预测通过聚合经意图滤波粒子加权后的输出，经由ReBiL模型生成。

实验结果

研究问题

• RQ1 如何有效将人类意图和行为模式整合到长期轨迹预测模型中？
• RQ2 对名义线性预测的残差学习是否能提升物理合理性与预测精度？
• RQ3 基于粒子的意图滤波器结合突变机制，如何增强在异常意图变化下的鲁棒性？
• RQ4 ReBiL框架在长期轨迹预测中相对于标准RNN基线方法的性能提升程度如何？
• RQ5 双向LSTM与自适应意图滤波的融合是否能提升对多样化行人行为的泛化能力？

主要发现

• 所提出的ReBiL框架在公开可用的行人轨迹预测数据集上优于基线方法。
• 即使在异常意图变化场景下，该模型仍表现出稳健性能，而基线模型则失效或显著退化。
• 残差学习方法用于偏移量预测相比直接学习位移量，提供了更好的物理直观性并提升了预测精度。
• 可变意图滤波器能有效捕捉并适应行人意图的转变，增强模型的鲁棒性。
• 在LSTM中引入双向上下文提升了长期时间推理能力，尤其在复杂运动模式下表现更优。
• 基于粒子的意图滤波机制实现了动态假设更新，显著增强了模型的适应性与准确性。