清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Continual learning-based trajectory prediction with memory augmented networks

计算机科学 遗忘 弹道 人工智能 人工神经网络 一般化 深度学习 机器学习 天文 数学 语言学 物理 数学分析 哲学
作者
Biao Yang,Fucheng Fan,Rongrong Ni,Jie Li,Chu Kiong Loo,Xiaofeng Liu
出处
期刊:Knowledge Based Systems [Elsevier BV]
卷期号:258: 110022-110022 被引量:21
标识
DOI:10.1016/j.knosys.2022.110022
摘要

Forecasting pedestrian trajectories is widely used in mobile agents such as self-driving vehicles and social robots. Deep neural network-based trajectory prediction models precisely predict pedestrian trajectories after training. However, the prediction models fail to avoid catastrophic forgetting when the data distribution shifts during continual learning, making it incredible to deploy the models on agents in real environments. A continual trajectory prediction method with memory augmented networks, CLTP-MAN, is proposed to handle the catastrophic forgetting issue by introducing a memory augmented network with sparse experience replay. CLTP-MAN comprises an external memory module, a memory extraction module, and a trajectory prediction module. The external memory module contains prior knowledge useful for trajectory prediction. The memory extraction module can read or write the key–value memories with a trainable controller. Last, the trajectory prediction module performs long-trajectory prediction by introducing a multi-hop attention mechanism to extract pivotal information from the external memory. Meanwhile, the catastrophic forgetting issue is handled through sparse experience replay. The two benchmarking datasets ETH/UCY and SDD are reintegrated according to the needs for continual learning to conduct quantitative and qualitative evaluations. The results verify that benefiting from external memory and the multi-hop attention mechanism, CLTP-MAN has better generalization than several mainstream methods. Sparse experience replay effectively reduces catastrophic forgetting, leading to reliable deployments on mobile agents.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
糖葫芦完成签到,获得积分10
1秒前
萱棚完成签到 ,获得积分10
5秒前
山山完成签到 ,获得积分20
8秒前
Julien发布了新的文献求助10
13秒前
大大彬完成签到 ,获得积分10
14秒前
23秒前
优雅的千凝完成签到,获得积分10
24秒前
温暖的蚂蚁完成签到 ,获得积分10
29秒前
32秒前
CH完成签到 ,获得积分10
34秒前
量子星尘发布了新的文献求助10
52秒前
喜悦的香之完成签到 ,获得积分10
55秒前
钉钉完成签到 ,获得积分10
58秒前
nicolaslcq完成签到,获得积分0
59秒前
科研通AI2S应助科研通管家采纳,获得10
1分钟前
王青青完成签到,获得积分10
1分钟前
飞云完成签到 ,获得积分10
1分钟前
1分钟前
济民财完成签到,获得积分10
1分钟前
爱窦完成签到 ,获得积分10
1分钟前
蛋妮完成签到 ,获得积分10
1分钟前
心想事成完成签到 ,获得积分10
1分钟前
蟲先生完成签到 ,获得积分0
1分钟前
1分钟前
阜睿完成签到 ,获得积分10
1分钟前
李y梅子完成签到 ,获得积分10
1分钟前
yuntong完成签到 ,获得积分10
1分钟前
Amandar完成签到,获得积分10
1分钟前
科目三应助拜月教猪采纳,获得10
1分钟前
jlwang发布了新的文献求助10
1分钟前
Teragous完成签到,获得积分10
1分钟前
Jialing完成签到 ,获得积分10
2分钟前
2分钟前
千俞完成签到 ,获得积分10
2分钟前
丹丹完成签到 ,获得积分10
2分钟前
CHEN完成签到 ,获得积分10
2分钟前
辣辣辣辣辣辣完成签到 ,获得积分10
2分钟前
量子星尘发布了新的文献求助10
2分钟前
sweet雪儿妞妞完成签到 ,获得积分10
2分钟前
2分钟前
高分求助中
【提示信息,请勿应助】关于scihub 10000
A new approach to the extrapolation of accelerated life test data 1000
Coking simulation aids on-stream time 450
北师大毕业论文 基于可调谐半导体激光吸收光谱技术泄漏气体检测系统的研究 390
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
Robot-supported joining of reinforcement textiles with one-sided sewing heads 360
Novel Preparation of Chitin Nanocrystals by H2SO4 and H3PO4 Hydrolysis Followed by High-Pressure Water Jet Treatments 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 4015509
求助须知:如何正确求助?哪些是违规求助? 3555418
关于积分的说明 11318049
捐赠科研通 3288665
什么是DOI,文献DOI怎么找? 1812284
邀请新用户注册赠送积分活动 887882
科研通“疑难数据库(出版商)”最低求助积分说明 812012