以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文##開源# ICCV 2023|韓國光州科技研究院（GIST）卡內(nèi)基梅隆大學開源特征軌跡：多模態(tài)軌跡預測的低秩描述子

(資料圖片)

【EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory Forecasting】文章鏈接：[] EigenTrajectory: Low-Rank Descriptors...

開源地址：https: ///inhwanbae/EigenTrajectory

捕捉高維的社會交往和可行的未來對于預測軌跡至關重要。為了解決這個復雜的性質(zhì)，已經(jīng)有一些嘗試通過參數(shù)曲線擬合來降低輸出變量的維度，如Bezier曲線和B樣條函數(shù)。然而，這些起源于計算機圖形學領域的功能并不適合解釋社會可接受的人類動力學。在本文中，我們提出了EigenTtrack ( ET )軌跡預測方法，該方法使用一種新的軌跡描述符來形成一個緊湊的空間，稱為ET空間，以代替歐氏空間來表示行人運動。我們首先通過低秩近似降低軌跡描述符的復雜度。 我們將行人的歷史軌跡轉化為我們的時空主成分表示的ET空間，并將其饋送到現(xiàn)成的軌跡預測模型中。模型的輸入和輸出以及社會交互都在相應的ET空間中聚集和聚合。最后，我們提出了一種基于軌跡錨的精化方法來覆蓋所提出的ET空間中所有可能的預測。 大量的實驗表明，我們的EigenTtrack預測器能夠顯著提高現(xiàn)有軌跡預測模型在公開數(shù)據(jù)集上的預測精度和可靠性，表明我們提出的描述子非常適合表征行人行為。

以上內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

最后介紹一下我們最近的幾個學習活動：

1、從零掌握GNSS、RTK定位

2、從零開始ChatGPT編程

3、視覺動態(tài)SLAM方向全梳理

4、快速入門激光雷達慣性SLAM-FastLio2

5、超棒的機器人SLAM圈！

關鍵詞：