Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 15, 2025

Trajectory Data Analyses for Pedestrian Space-time Activity Study
16:14

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

13.6K

交通员轨迹预测基于时空互动的空间互动注意力

Jincan Xie1,2, Shuang Li1,2, Chunsheng Liu1,2

  • 1School of Information and Automation Engineering, Qilu University of Technology (Shandong Academy of Sciences), Jinan 250353, China.

Sensors (Basel, Switzerland)
|September 28, 2023
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

ACF Based Region Proposal Extraction for YOLOv3 Network Towards High-Performance Cyclist Detection in High Resolution Images.

Sensors (Basel, Switzerland)·2019
Same author

Supplemental Boosting and Cascaded ConvNet Based Transfer Learning Structure for Fast Traffic Sign Detection in Unknown Application Scenes.

Sensors (Basel, Switzerland)·2018
查看所有相关文章

这项研究引入了一种用于轨迹预测的新网络,通过模拟交通参与者之间的复杂相互作用来提高准确性. 基于时空交互的注意力轨迹预测网络 (STIA-TPNet) 改善了未来的运动预测.

科学领域:

  • 计算机科学 计算机科学
  • 人工智能的人工智能
  • 机器人技术 机器人技术 机器人技术

背景情况:

  • 轨迹预测对于自动驾驶系统和交通管理至关重要.
  • 现有的方法与复杂的时空相互作用和动态的参与者数量作斗争.
  • 聚合方法不充分捕捉社会互动,导致随着时间的推移预测错误.

研究的目的:

  • 开发一个先进的轨迹预测网络,有效地建模时空相互作用.
  • 为增强交互建模引入一个新的空间时间交互注意力模块 (STIA模块).
  • 在动态交通场景中提高轨迹预测的准确性和稳定性.

主要方法:

  • 提出了基于注意力的空间时间交互轨迹预测网络 (STIA-TPNet).
  • 开发了具有时间,空间和融合时空注意力机制的STIA模块.
  • 利用图形神经网络来建模动态变化的参与者之间的空间相互作用.

主要成果:

  • 该STIA模块适应地分配注意力权重以捕捉运动模式和交互的重要性.
  • 对INTERACTION和UTP数据集的实验表明,预测准确度有了显著的改善.
  • 拟议的STIA-TPNet超越了现有的代表性轨迹预测方法.
关键词:
社会互动 社交互动空间时间的相互作用.轨迹的预测和预测.

更多相关视频

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers
12:39

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

Published on: January 18, 2020

7.7K
Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments
13:00

Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments

Published on: January 23, 2017

9.9K

相关实验视频

Last Updated: Jul 15, 2025

Trajectory Data Analyses for Pedestrian Space-time Activity Study
16:14

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

13.6K
A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers
12:39

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

Published on: January 18, 2020

7.7K
Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments
13:00

Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments

Published on: January 23, 2017

9.9K

结论:

  • STIA-TPNet有效地模拟复杂的时空相互作用,以准确地预测轨迹.
  • STIA模块是捕捉交通场景中的动态社会行为的关键.
  • 这种方法为复杂环境中的未来运动预测提供了强大的解决方案.