lstm

社会LSTM：拥挤空间中的人体轨迹预测 行人遵循不同的轨迹以避开障碍物并容纳同行的行人。任何在这种场景中导航的自动车辆都应该能够预见行人的未来位置，并相应地调整其路径以避免碰撞。这个轨迹预测问题可以看作是一个序列生成任务，我们感兴趣的是根据人们过去的位置预测他们未来的轨迹。根据最近用于序列预测任务的递归神经网络(RNN)模型的成功，我们提出了一种LSTM模型，该模型可以学习一般的人体运动并预测其未来的轨迹。这与使用社会力量等手工制作功能的传统方法形成对比。我们在几个公共数据集上演示了我们的方法的性能。我们的模型在其中一些数据集上优于最先进的方法。我们还分析了由我们的模型预测的轨迹，以演示通过我们的模型学习的运动行为。 图1。本文的目标是预测拥挤场景中的运动动力学--然而，这是一项具有挑战性的任务，因为每个人的运动通常都会受到邻居的影响。我们提出了一种新的模型，我们称之为“社会”LSTM(SocialLSTM)，它可以通过考虑人类在共享环境中导航时通常使用的常识规则和社会惯例来联合预测场景中所有人的路径。它们未来轨迹的预测分布显示在热图中。 Introduction 人类有与生俱来的相互“阅读”的能力。当人们走在人行道、机场航站楼或购物中心等拥挤的公共空间时，他们遵守大量(不成文的)常识规则，遵守社会习俗。例如，当他们考虑下一步搬到哪里时，他们尊重个人空间并让出通行权