[论文解读] Pedestrian orientation dynamics from high-fidelity measurements

Joris Willems, Alessandro Corbetta+2 more|Data Archiving and Networked Services (DANS)|Jan 14, 2020

Evacuation and Crowd Dynamics参考文献 28被引用 6

一句话总结

本文提出一种基于深度学习的方法，通过利用行走速度方向与身体偏航角之间的强统计相关性，从俯视深度图像中估计行人肩部朝向，实现亚10度的精度（最低达7.5°）。通过将速度作为弱监督标签，模型避免了昂贵的人工标注，从而实现在真实场景中对行人朝向动态的高保真分析。

ABSTRACT

We investigate in real-life conditions and with very high accuracy the dynamics of body rotation, or yawing, of walking pedestrians - an highly complex task due to the wide variety in shapes, postures and walking gestures. We propose a novel measurement method based on a deep neural architecture that we train on the basis of generic physical properties of the motion of pedestrians. Specifically, we leverage on the strong statistical correlation between individual velocity and body orientation: the velocity direction is typically orthogonal with respect to the shoulder line. We make the reasonable assumption that this approximation, although instantaneously slightly imperfect, is correct on average. This enables us to use velocity data as training labels for a highly-accurate point-estimator of individual orientation, that we can train with no dedicated annotation labor. We discuss the measurement accuracy and show the error scaling, both on synthetic and real-life data: we show that our method is capable of estimating orientation with an error as low as 7.5 degrees. This tool opens up new possibilities in the studies of human crowd dynamics where orientation is key. By analyzing the dynamics of body rotation in real-life conditions, we show that the instantaneous velocity direction can be described by the combination of orientation and a random delay, where randomness is provided by an Ornstein-Uhlenbeck process centered on an average delay of 100ms. Quantifying these dynamics could have only been possible thanks to a tool as precise as that proposed.

研究动机与目标

• 实现对行人肩线偏航角的高精度、真实场景测量，这是人类运动动力学中一个复杂且研究不足的方面。
• 克服在俯视深度图像中获取大规模、高精度行人朝向标注的挑战。
• 量化自然行走条件下行人朝向与速度方向之间的时序关系。
• 利用物理随机过程对朝向与速度之间的时间延迟进行建模。
• 提供一种可扩展、保护隐私的工具，用于研究朝向在其中起关键作用的群体动力学。

提出的方法

• 训练一个深度卷积神经网络（CNN），从以个体为中心的俯视深度图像片段中估计行人肩部朝向。
• 网络使用运动的瞬时方向（速度矢量）作为弱监督标签，利用速度与身体朝向之间的统计正交性。
• 该方法假设尽管在每一时刻速度方向与朝向并非完全对齐，但其平均对齐程度足够强，可训练出可靠的点估计器。
• 通过使用预先存在的轨迹跟踪系统中已有的速度数据作为代理标签，训练过程避免了人工标注。
• 利用参数基于实测数据拟合的Ornstein-Uhlenbeck（OU）过程，对朝向与速度之间的随机延迟进行建模。
• 在合成数据和真实数据上对模型性能进行验证，并分析了不同行走速度下的误差变化。

实验结果

研究问题

• RQ1 是否能够仅从俯视深度图像中，无需人工标注，高精度估计行人肩部朝向？
• RQ2 在真实行走场景中，行人朝向与速度方向之间存在何种统计关系？
• RQ3 朝向与速度方向之间的时间延迟如何随行走速度变化？
• RQ4 朝向-速度延迟的随机动力学是否可由物理随机过程建模？
• RQ5 该方法在多大程度上能够揭示行人群体动力学的新见解？

主要发现

• 所提方法在真实数据上的朝向估计误差最低可达7.5度，展现出高测量保真度。
• 行人朝向与速度方向之间的平均延迟约为100毫秒，从0.6 m/s时的160毫秒减少至1.4 m/s时的100毫秒。
• 延迟动力学可通过Ornstein-Uhlenbeck过程良好建模，时间常数τ ≈ 1.2 s，噪声强度ξ ≈ 1.85。
• 在修正平均延迟后，朝向-速度差异的概率分布符合高斯分布，该结论得到实测数据与仿真结果的双重验证。
• 速度与朝向信号的功率谱密度（PSD）在低频段表现出实测与仿真数据的良好一致性。
• 该模型可生成再现真实行人动力学关键统计特征的合成速度信号，包括延迟分布与频谱特性。