[论文解读] Recursive Social Behavior Graph for Trajectory Prediction
本文提出递归社交行为图（RSBG），一种基于图的新方法，通过群体标注捕捉距离不变的关系，对人类轨迹预测中的社交互动进行建模。通过利用RSBG引导图卷积网络递归更新行人特征，该模型在ETH和UCY数据集上相较于最先进方法，平均将ADE和FDE分别提升了11.1%和10.8%。
Social interaction is an important topic in human trajectory prediction to generate plausible paths. In this paper, we present a novel insight of group-based social interaction model to explore relationships among pedestrians. We recursively extract social representations supervised by group-based annotations and formulate them into a social behavior graph, called Recursive Social Behavior Graph. Our recursive mechanism explores the representation power largely. Graph Convolutional Neural Network then is used to propagate social interaction information in such a graph. With the guidance of Recursive Social Behavior Graph, we surpass state-of-the-art method on ETH and UCY dataset for 11.1% in ADE and 10.8% in FDE in average, and successfully predict complex social behaviors.
研究动机与目标
- 为解决现有轨迹预测中基于距离的交互建模方法的局限性，该方法无法捕捉复杂社交行为（如跟随或避让）
- 通过引入群体标注作为监督信号，建模超越空间邻近性的社交关系，以学习潜在的社交表征
- 通过图神经网络在递归更新的社交行为图中传播社交交互信息，提升轨迹预测精度
- 证明群体层面的社交规范和长程交互可在深度学习框架中被有效捕捉与利用，用于轨迹预测
提出的方法
- 构建递归社交行为图（RSBG），其中行人作为节点，关系型社交表征（边）编码群体层面的交互模式
- 利用专家标注的群体数据监督社交表征的学习，使模型能够学习超越欧氏距离的潜在社交关系
- 采用递归机制，通过图中的消息传递交替更新个体行人特征与社交表征
- 应用图卷积网络（GCNs）在RSBG中传播并聚合节点间的社交交互特征，以提升轨迹预测性能
- 采用带超参数γ的指数L2损失函数，强化训练过程中对FDE（最终位移误差）的关注，提升最终预测精度
- 将历史轨迹特征作为每个节点的输入，使模型能够考虑社交行为中的时序动态
实验结果
研究问题
- RQ1基于群体的标注能否提升对轨迹预测中复杂、非基于距离的社交交互的建模能力？
- RQ2与静态或基于距离的方法相比，社交行为图中递归特征优化如何提升预测精度？
- RQ3GCN在动态更新的图结构中能否有效传播社交交互信息？
- RQ4所提方法在复杂场景中能否泛化至多种社交行为（如跟随、汇合、避让）？
- RQ5在损失函数中强调FDE是否相比标准L2损失能带来更好的最终预测性能？
主要发现
- 所提出的RSBG模型在ETH和UCY基准数据集上，相较于最先进方法，平均将平均位移误差（ADE）降低11.1%，将最终位移误差（FDE）降低10.8%
- 该模型成功捕捉了长程社交关系，例如行人远距离跟随，而基于距离的模型无法检测此类关系
- RSBG边权重的可视化结果表明，即使行人间不处于空间邻近，模型仍能学习到一致的社交规范，如跟随行为或避让行为
- 采用γ=20的指数L2损失函数取得最佳平衡，相比标准L2损失，使ADE和FDE分别降低4.0%和4.8%
- 定性结果表明，RSBG生成的轨迹更具社交合理性，能正确预测汇合、跟随和冲突避让行为，而其他模型则常出现遗漏
- 递归机制实现了对个体特征与社交表征的迭代优化，从而生成更准确且上下文一致的预测结果
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。