对人的行走动力学进行建模是计算机视觉领域长期以来一直感兴趣的问题。许多先前涉及行人轨迹预测的工作定义了一组特定的个体动作来隐式地模拟群体动作。在本文中，我们提出了一种名为 GP-Graph 的新型架构，它具有集体表示，可在拥挤的环境中有效地预测行人轨迹，并且与所有类型的现有方法兼容。GP-Graph 的一个关键思想是将个体关系和组关系建模为图表示。为此，GP-Graph 首先学习将每个行人分配到最可能的行为组中。使用此分配信息，GP-Graph 然后将组内和组间交互形成为图，分别考虑群体内的人际关系和群体-群体关系。具体来说，对于组内交互，我们将行人图边缘从相关组中屏蔽出来。我们还提出了组池化和非池化操作，以将具有多个行人的组表示为一个图节点。最后，GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。分别。具体来说，对于组内交互，我们将行人图边缘从相关组中屏蔽出来。我们还提出了组池化和非池化操作，以将具有多个行人的组表示为一个图节点。最后，GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。分别。具体来说，对于组内交互，我们将行人图边缘从相关组中屏蔽出来。我们还提出了组池化和非池化操作，以将具有多个行人的组表示为一个图节点。最后，GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。我们从相关组中屏蔽行人图边缘。我们还提出了组池化和非池化操作，以将具有多个行人的组表示为一个图节点。最后，GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。我们从相关组中屏蔽行人图边缘。我们还提出了组池化和非池化操作，以将具有多个行人的组表示为一个图节点。最后，GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。GP-Graph 从两个群体互动的综合特征中推断出社会可接受的未来轨迹的概率图。此外，我们引入了组级潜在向量采样，以确保对一组可能的未来轨迹进行集体推断。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。进行了广泛的实验来验证我们架构的有效性，这证明了与公开可用的基准测试一致的性能改进。代码可在 https://github.com/inhwanbae/GPGraph 公开获得。



"点击查看英文标题和摘要"