PoPPL: Pedestrian Trajectory Prediction by LSTM With Automatic Route Class Clustering

行人 弹道 计算机科学 聚类分析 路径(计算) 人工智能 国家(计算机科学) 班级(哲学) 机器学习 算法 地理 天文 物理 考古 程序设计语言
作者
Hao Xue,Du Q. Huynh,Mark Reynolds
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:32 (1): 77-90 被引量:49
标识
DOI:10.1109/tnnls.2020.2975837
摘要

Pedestrian path prediction is a very challenging problem because scenes are often crowded or contain obstacles. Existing state-of-the-art long short-term memory (LSTM)-based prediction methods have been mainly focused on analyzing the influence of other people in the neighborhood of each pedestrian while neglecting the role of potential destinations in determining a walking path. In this article, we propose classifying pedestrian trajectories into a number of route classes (RCs) and using them to describe the pedestrian movement patterns. Based on the RCs obtained from trajectory clustering, our algorithm, which we name the prediction of pedestrian paths by LSTM (PoPPL), predicts the destination regions through a bidirectional LSTM classification network in the first stage and then generates trajectories corresponding to the predicted destination regions through one of the three proposed LSTM-based architectures in the second stage. Our algorithm also outputs probabilities of multiple predicted trajectories that head toward the destination regions. We have evaluated PoPPL against other state-of-the-art methods on two public data sets. The results show that our algorithm outperforms other methods and incorporating potential destination prediction improves the trajectory prediction accuracy.
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
大幅提高文件上传限制,最高150M (2024-4-1)

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
刚刚
大模型应助暴龙战士图图采纳,获得10
刚刚
zjiang留下了新的社区评论
刚刚
ZSmile发布了新的文献求助30
2秒前
3秒前
qazzzyy完成签到 ,获得积分10
3秒前
池寒1发布了新的文献求助50
4秒前
RH发布了新的文献求助30
5秒前
田様应助zwy采纳,获得10
5秒前
6秒前
Jasper完成签到,获得积分10
6秒前
7秒前
敏感的盼夏完成签到 ,获得积分10
7秒前
8秒前
hyper3than发布了新的文献求助10
8秒前
科研达人完成签到,获得积分10
8秒前
overThat完成签到,获得积分10
9秒前
wyh发布了新的文献求助10
10秒前
科研小菜鸡完成签到,获得积分10
10秒前
FashionBoy应助clarklkq采纳,获得10
11秒前
wwz应助H1998采纳,获得10
11秒前
11秒前
今后应助英俊的念寒采纳,获得10
11秒前
NEO完成签到 ,获得积分10
11秒前
星河完成签到,获得积分10
11秒前
13秒前
13秒前
13秒前
14秒前
14秒前
14秒前
所所应助bc采纳,获得10
15秒前
科研通AI2S应助NZH采纳,获得10
16秒前
16秒前
Lan发布了新的文献求助10
17秒前
hyper3than完成签到,获得积分10
17秒前
车幻梦发布了新的文献求助10
18秒前
18秒前
BinZ发布了新的文献求助10
18秒前
pigzhu完成签到,获得积分10
19秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 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 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3156349
求助须知:如何正确求助?哪些是违规求助? 2807819
关于积分的说明 7874705
捐赠科研通 2466043
什么是DOI,文献DOI怎么找? 1312570
科研通“疑难数据库(出版商)”最低求助积分说明 630176
版权声明 601912