在现实世界中,道路使用者的轨迹预测很具有挑战性,因为它们的运动模式是随机且复杂的。以前以行人为导向的作品已经成功地模拟了行人之间的复杂交互作用,但是当涉及其他类型的道路使用者(例如,汽车,骑自行车的人等)时,无法预测轨迹,因为他们忽略了用户类型。尽管最近的一些作品与用户标签信息构建了密集连接的图形,但它们遭受了多余的空间相互作用和时间依赖性。为了解决这些问题,我们提出了多类SGCN,这是一种基于稀疏的图形卷积网络的多级轨迹预测方法,该方法考虑了速度和代理标签信息,并使用新颖的交互掩码来适应基于空间和时间连接的基础。在他们的互动分数上。所提出的方法在斯坦福无人机数据集上大大优于最先进的方法,提供了更现实和合理的轨迹预测。
translated by 谷歌翻译