FenixEdu™

Dissertação

{en_GB=Pedestrian Motion Prediction Using Deep Learning} {} EVALUATED

Detalhes: {pt=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)., en=Pedestrian motion prediction is a task that is relevant for many kinds of intelligent systems, such as autonomous vehicles, social robots, and automated surveillance systems. It can be a very challenging task, due to the fact that humans can be influenced by a plethora of factors. In recent years, two types of cues have been getting more relevance: the presence of physical obstacles, and the existence of social interactions between pedestrians. While there have been methods that incorporate both types of cues, most require extra information such as video images, which may not be readily available. This thesis proposes a novel method, based on Long Short Term Memory, that takes into account obstacles and neighbouring humans to robustly predict pedestrian trajectories. The presence of obstacles is incorporated by integrating the model with Sparse Motion Fields, that learn regions absent of pedestrian motion in an unsupervised way. The existence of interactions is incorporated with a pooling layer that simulates a field of view for each pedestrian. The proposed method is able to outperform several state-of-the-art models on popular pedestrian datasets. To compare the models, there was the use of standard geometric errors, as well as metrics specifically related to static obstacles and dynamic interactions. The experiments also included visualization of method predictions, to provide a different perspective on the performance of trajectory forecasting models. The model implementation and experiments are publicly available and can be accessed at https://github.com/pedro-mgb/pedestrian-arc-lstm-smf.}
Keywords: {pt=Aprendizagem automática, Previsão de trajectórias, Interações sociais, Percepção de obstáculos, en=Machine learning, Trajectory prediction, Social interactions, Obstacle awareness}

Discussão: novembro 22, 2021, 17:0