Resumen

Para mejorar la previsión y hacer un juicio correcto por adelantado, la predicción de la trayectoria de los peatones tiene una amplia gama de valores de aplicación en la conducción autónoma, la interacción de los robots y la supervisión de la seguridad. Sin embargo, la mayoría de los métodos existentes sólo se centran en la interacción de los peatones locales en función de la distancia, ignorando la influencia de los peatones lejanos; el rango de entrada de la red (campo receptivo) es pequeño. En este trabajo, se propone una red de atención gráfica extendida (EGAT) para aumentar el campo receptivo, que se centra no sólo en los peatones locales, sino también en los lejanos, para reforzar aún más la interacción entre los peatones. En el dominio temporal, se proponen TSG-LSTM (TS-LSTM y TG-LSTM) y P-LSTM basadas en LSTM para mejorar la transmisión de información por conexión residual. En comparación con los métodos del estado de la técnica, el modelo EGAT consigue un rendimiento excelente en los conjuntos de datos públicos ETH y UCY y genera trayectorias más fiables.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:lstm, campo receptivo, peatón local, rango de aplicación, red de atención gráfica, rango de red, predicción de la trayectoria del peatón, métodos artísticos, rango amplio, conducción autónoma
• Keywords:lstm, receptive field, local pedestrian, range of application, graph attention network, range of network, pedestrian trajectory prediction, art methods, wide range, autonomous driving