Learning Velocity and Acceleration: Self-Supervised Motion Consistency for Pedestrian Trajectory Prediction
作者: Yizhou Huang, Yihua Cheng, Kezhi Wang
发布时间: 2025-04-03
来源: arxiv
研究方向: 行人轨迹预测
主要内容
本文提出了一种基于自监督运动一致性的行人轨迹预测框架，该框架能够显式地建模位置、速度和加速度，通过特征注入和自监督运动一致性机制来提高位置预测的准确性。
主要贡献
1. 提出了一种自监督运动一致性框架，通过特征注入和自监督运动一致性机制提高位置预测的准确性。
2. 设计了一种三流网络架构，分别处理位置、速度和加速度数据，以捕获这些数据中的时间关系。
3. 引入了速度和加速度信息，以更全面地理解行人动态，从而提高轨迹预测的准确性。
4. 通过实验证明了该方法在ETH-UCY和Stanford Drone数据集上达到了最先进的性能。
研究方法
1. 自监督学习
2. 三流网络架构
3. 特征注入
4. 自监督运动一致性机制
5. 社会解码器
实验结果
在ETH-UCY和Stanford Drone数据集上，该方法在ADE和FDE指标上均达到了最先进的性能。
未来工作
未来可以探索以下方向：1) 将该方法应用于更复杂的场景，如交叉路口和交通拥堵；2) 探索更有效的特征融合策略；3) 将该方法与其他技术相结合，如强化学习，以进一步提高轨迹预测的准确性。