基于时空图联合关系路径的行人轨迹预测框架

时空图被广泛应用于行人轨迹预测等时间序列任务中,如何更精确地捕捉不同时间段的轨迹位置信息以及更充分地利用时空图的结构信息对于轨迹预测至关重要。传统的轨迹预测方法规则复杂、约束性强、可扩展性较差,往往只能应用于特定领域。基于学习的轨迹预测方法不依赖于专家经验的物理规则,根据观察的轨迹数据来学习不同时间段各个空间位置之间的变化规则。基于学习的方法存在一定局限性,如没有充分利用时空图的结构信息,导致轨迹预测模型的性能下降。针对上述问题,提出了一种新型基于时空图联合关系路径的行人轨迹预测框架(Spatio-Temporal Graphs with Relationship Path Trajectory Prediction Framework, STRP-TPF)。STRP-TPF主要包括EdgeRNN和NodeRNN模型。STRP-TPF基于时空图构建关系路径,基于关系路径构建因子图;构建EdgeRNN和NodeRNN模型,并将因子图作为输入;输出下一时刻行人的位置,并且预测完整的行人轨迹。STRP-TPF利用关系路径能够准确捕捉时空图的结构信息,充分学习行人在不同时间和空间点的轨迹关系。大量实验结果表明,在ETH和UCY数据集上,STRP-TPF的整体性能均优于目前最先进的方法。在平均位移误差和最终位移误差方面,STRP-TPF比目前最先进方法低32.6%和37.7%。STRP-TPF的预测轨迹能够更准确地匹配真实轨迹。