Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction

社会感知自动驾驶汽车的进步取决于对人类行为的精确建模。在这个广泛的范畴内，具体的挑战在于准确预测行人的轨迹和意图。传统的方法主要依赖于历史轨迹数据，经常忽略行人特定的特征和环境因素等重要的上下文线索。此外，轨迹和意图预测在很大程度上被视为独立的问题，尽管它们是相互依存的，这存在显著的知识差距。为了弥合这一差距，我们引入了PTINet（行人轨迹和意图预测网络），通过结合过去的轨迹观察、局部上下文特征（个体行人行为）和全局特征（标志、标记等），共同学习轨迹和意图预测。我们的方法在广泛使用的公共数据集JAAD和PIE上进行了评估，在轨迹和意图预测方面表现出优于现有最先进模型的性能。我们的实验和消融研究结果充分验证了PTINet在联合探索行人行为建模方面预测意图和轨迹的有效性。实验评估表明，使用全局和局部上下文特征对行人轨迹和意图预测具有优势。PTINet在预测行人行为方面的有效性为开发能够与城市行人无缝交互的自动化系统铺平了道路。

本文旨在解决自动驾驶车辆中精确建模行人行为的问题，特别是准确预测行人的轨迹和意图，以便自动驾驶车辆可以与行人在城市环境中无缝交互。

本文提出了PTINet（Pedestrian Trajectory and Intention Prediction Network），通过结合过去的轨迹观察、本地上下文特征（个体行人行为）和全局特征（标志、标记等）来共同学习轨迹和意图预测。相比现有的最先进模型，PTINet在轨迹和意图预测方面展现出了卓越的性能。

本文实验评估了PTINet在广泛使用的公共数据集JAAD和PIE上的有效性，证明了其在行人行为建模中共同探索意图和轨迹预测的有效性。实验评估表明，使用全局和本地上下文特征对于行人轨迹和意图预测具有优势。本文的亮点还包括实验的设计、使用的数据集以及开源代码等。

近期在这个领域中的相关研究包括：《Joint Trajectory Prediction and Social Behavior Reasoning using Gaussian Processes》、《Social Attention: Modeling Attention in Human Crowds》、《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》等。