摘要

更精准的机器对行人行为的理解，有助于加速对自动驾驶车辆与人类等智能体之间交互关系的建模进展。行人的轨迹不仅受其自身状态影响，还受到周围环境物体的交互作用影响。以往的方法通常采用多种聚合策略，将不同行人状态进行整合以建模交互关系。本文提出一种社会时空图卷积神经网络（Social Spatio-Temporal Graph Convolutional Neural Network，简称 Social-STGCNN），通过将交互关系建模为图结构，从而无需依赖传统的聚合方法。实验结果表明，该模型在最终位移误差（Final Displacement Error, FDE）上相比当前最优方法提升了20%，在平均位移误差（Average Displacement Error, ADE）上也实现显著提升，同时参数量仅为先前方法的1/8.5，推理速度最快可达其48倍。此外，本模型具有优异的数据效率，在仅使用20%训练数据的情况下，仍能在ADE指标上超越此前的最先进方法。我们进一步设计了一种核函数，用于将行人之间的社会交互关系嵌入邻接矩阵中。通过定性分析，我们验证了模型能够有效捕捉行人轨迹间预期的社会行为特征。相关代码已开源，地址为：https://github.com/abduallahmohamed/Social-STGCNN。