sumary
Research Objective
In crowd scenarios, predicte trajectory of pedestrains with social behaviors.
拥挤环境下，基于社会行为的行人轨迹预测
Backgroud and Problem
- These behaviors have been well investigated by plenty of studies, while it is hard to be fully expressed by hand-craft rules.
这些行为已经被之前的工作很好的研究，然而它难以被手工设计的规则充分表现出来。 - Recent studies based on LSTM networks have shown great ability to learn social behaviors. However, many of these methods rely on previous neighboring hidden states but ignore the important current intention of the neighbors.
最近的一些基于LSTM网络的研究展示了学习社会行为的强大的能力，然而，这些方法依赖先前的隐藏状态，而忽视了最重要的当前邻居的意图。
--------------------------------- - In order to address this issue, we propose a data-driven state refinement module for LSTM network (SRLSTM), which activates the utilization of the current intention of neighbors, and jointly and iteratively refines the current states of all participants in the crowd through a message passing mechanism.
为了处理这个问题，我打算设计一种SRLSTM网络，它进行了当前邻居意图的利用。
Methods
To effectively extract the social effect of neighbors, we further introduce a social-aware information selection mechanism consisting of an element-wise motion gate and a pedestrian-wise attention to select useful message from neighboring pedestrians.
为了有效率的提取邻近行人的信息，我们设计了SR模块。
- 使用单层感知机将输入向量嵌入成32维
- 设置LSTM隐藏层为64维
- 设置滑动时间步长为20，观测8，预测12
- min-batch 所有的相同时间段的行人轨迹
- Adam优化器训练300轮 学习率设置为0.001
- SR层基本参数都设置好了，只训练 额外的重定义层
component of model
MG 动作检测
PA 行人注意力
许多个 表示重定义层
邻近区域的范围 用超参数来进行标定
（这些都是可以添加的模块，其中 MG PA NS=10，L=2,c/p=c效果是最好的）
1.Problem formulation
拥挤环境下的行人轨迹预测
2.V-LSTM
考虑所有行人之间的关系但是忽略了他们之间的相互作用
3. SR-LSTM
位置距离信息 （学习参数）得到 r
r h h 的得到 u 多个u得到 （阿尔法）
rhh 得到 g 感知门
Evaluation
Experimental results on two public datasets, i.e. ETH and UCY，we
achieve state-of-the-art results.
在两个公共数据集（ETH、UCY）上的实验结果显示我们的取得了最好的结果。
1.Dataset
ETH 和 UCY 包含了丰富的社会交互信息，包括五个数据集ETH-univ, ETH-hotel, UCY-zara01,UCY-zara02 and UCY-univ，包含了1536个行人一共，和上千条轨迹。
1.Data Processing
- Rela / Nabs 相对位置移动 绝对位置移动
- UEF 帧率校正
- RR 随机调整方向
2.component of model（在网络添加一些有效果的模块）
MG 动作检测
PA 行人注意力
许多个 表示重定义层
邻近区域的范围 用超参数来进行标定
（这些都是可以添加的模块，其中 MG PA NS=10，L=2,c/p=c效果是最好的）
（得到最终最好的网络模型，与之前的网络模型进行比较）
3.Evaluation method
leave-one-out
MAD 所有时间步轨迹偏差的平均值
FAD 最近的一个点的轨迹偏差
轨迹序列间隔是o.4ms，观测步长是8，预测步长是12
4.Implementation details
超参数
(得到最优的自己的模型)
5. comparison with existing works
Social-LSTM
SGAN
Sophie
V-LSTM
SR-LSTM
message passing:进行当前状态的重新表示
6. Qualitative Results
feature refinement from current state
从当前状态的特征重定义
7.xxxx
motion gate 感知他和他的邻近行人之间的隐藏特征信息
Pedestrian-wise attention（这个行人所注意的是哪些信息）
social-aware information selection mechanism 就是由这两部分组成的
Conclusion
This result demonstrates the effectiveness of our proposed SR-LSTM.
这个结果证明了我们方法的有效性。
** 当前所有行人的隐藏特征 **
我们状态细化模块进行了特征的提取，它自适应的定义当前行人们的特征基于信息传递机制， an element-wise motion gate and a pedestrian-wise attention，选取每个行人的有用的信息。
