CrossFormerGAN: mejora de la predicción de la trayectoria peatonal en la conducción autónoma a través de mecanismos...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• La robótica

Sus antecedentes:

• La predicción de la trayectoria peatonal es crucial para la seguridad de la conducción autónoma.
• Los métodos tradicionales luchan con comportamientos humanos complejos y factores ambientales.
• Las predicciones inexactas pueden conducir a decisiones de conducción inseguras.

Objetivo del estudio:

• Mejorar la predicción de trayectoria peatonal en tiempo real para vehículos autónomos.
• Mejorar la precisión y fiabilidad de la predicción de los movimientos de los peatones.
• Reducir el riesgo de accidentes en situaciones de conducción dinámica.

Principales métodos:

• Se propone la creación de una red adversaria entre generaciones (CrossFormerGAN).
• Introducción de la Atención Interactiva Gesto-espacial (que combina el espacio y la atención regional).
• Integró un transformador CrossFormer basado en el vecindario adaptativo con un módulo de sesgo.
• Utilizado la atención de la consulta agrupada en el discriminador.

Principales resultados:

• Se ha logrado un rendimiento de vanguardia con un error medio de desplazamiento (ADE) de 0,10 en el conjunto de datos UCY (escenario ZARA 2).
• Se ha demostrado una precisión superior con un error de desplazamiento final (FDE) de 0,18 en el conjunto de datos ETH (escenario HOTEL).
• Superó a los métodos existentes en la predicción de la trayectoria peatonal.

Conclusiones:

• CrossFormerGAN mejora significativamente la precisión y fiabilidad de la predicción de la trayectoria peatonal.
• El modelo mejora la seguridad y la fiabilidad de los vehículos autónomos.
• Los mecanismos de atención y transformador propuestos capturan efectivamente los comportamientos complejos de los peatones y las interacciones ambientales.