FenixEdu™

Dissertação

Pedestrian Motion Prediction Using Deep Learning EVALUATED

Detalhes: A previsão de movimento de pedestres é uma tarefa relevante para muitos tipos de sistemas automáticos, como veículos autónomos, robôs sociais, e sistemas automatizados de videovigilância. Pode ser uma tarefa bastante desafiante, devido ao facto de que os humanos podem ser influenciados por múltiplos fatores. Nos últimos anos, tem sido dada mais importância a dois tipos de fatores: a presença de obstáculos físicos, e a existência de interações sociais entre pedestres. Embora existem métodos que incorporam ambos estes fatores, grande parte destes necessitam de informação adicional como imagens de vídeo, que poderão não estar constantemente disponíveis. Esta tese propõe um método novo, baseado em redes Long Short Term Memory, que tem em conta obstáculos e humanos vizinhos para prever trajetórias de pedestres corretamente. A presença de obstáculos é incorporada usando campos de movimento esparsos, um método que aprende regiões ausentes de pedestres de forma não supervisionada. A existência de interações sociais é incorporada com um módulo auxiliar que simula um campo de visão para cada pedestre. O método proposto consegue superar vários trabalhos de estado-de-arte, em conjuntos de dados populares na tarefa de previsão de movimento de pedestres. Para comparar os modelos, utilizou-se métricas geométricas, bem como métricas relacionadas especificamente com obstáculos e interações. As experiências também incluíram visualização de trajetórias previstas, de modo a fornecer uma perspetiva diferente no desempenho de modelos de previsão de trajetórias. A implementação do modelo, bem como as experiências realizadas, estão disponíveis publicamente, e podem ser acedidas visitando https://github.com/pedro-mgb/pedestrian-arc-lstm-smf (em inglês).
Keywords: Aprendizagem automática, Previsão de trajectórias, Interações sociais, Percepção de obstáculos

Discussão: novembro 22, 2021, 17:0