新型Transformer模型提升多行人轨迹预测能力

研究人员开发了一种新颖的三步分层Transformer模型，旨在改进多行人轨迹预测。该新架构有效分离了时间编码、多模态融合和场景级交互推理，解决了先前方法常将这些因素纠缠在一起的局限性。该模型利用轻量级GRU摘要进行高效的跨模态注意力以及随时间变化的社交注意力，以可控的计算成本捕捉行人间的相互影响。在JRDB和道路交通中的行人与骑行者数据集等数据集上的实验表明，该模型达到了最先进的性能，并展现出预测早期转向等复杂行为的能力。 AI

影响 该模型预测复杂行人运动能力的提升，可以增强自动驾驶系统在拥挤城市环境中的安全性和效率。

排序理由 该集群包含一篇详细介绍新型轨迹预测模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• gated recurrent unit
• JRDB
• Pedestrians and Cyclists in Road Traffic dataset
• Raphaël Delécluse
• Three-Step Hierarchical Transformer
• Urban

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →