《Intention-aware Residual Bidirectional LSTM for Long-term Pedestrian Trajectory Prediction》
用于长期的行人轨迹预测学习意图感知残差双向LSTM.
属于机器人领域模式识别的文章。
Trajectory prediction is one of the key capabilities for robots to safely navigate and interact with pedestrians. Critical insights from human intention and behavioral patterns need to be effectively integrated into long-term pedestrian behavior forecasting. We present a novel intention-aware motion prediction framework, which consists of a Residual Bidirectional LSTM (ReBiL) and a mutable intention filter. Instead of learning step-wise displacement, we propose learning offset to warp a nominal intention-aware linear prediction, giving residual learning a physical intuition. Our intention filter is inspired by genetic algorithms and particle filtering, where particles mutate intention hypotheses throughout the pedestrian motion with ReBiL as the motion model. Through experiments on a publicly available dataset, we show that our method outperforms baseline approaches and the robust performance of our method is demonstrated under abnormal intention-changing scenarios.

1 有哪些同类型的网络？

iLSTM 、 iLM

2 轨迹预测的价值是什么？

预测出了行人运动的轨迹，机器人就可以安全地与行人进行互动。

3 基本原理：

这属于是行为预测。<==>预测人的行为模式，人的意图
算法的基本定位：这种算法是一个意图感知运动预测框架intention-aware motion prediction framework
算法构成：Residual Bidirectional LSTM (ReBiL) + mutable intention filter---F 。F的output是行人的意图，ReBiL的output是行人的路线。两者互为input，迭代地进行estimate。
之前有些类似的预测人体运动的model预测的是行人每一步迈出的位移。但本文不同，本文预测的是行人运动的速度及轨迹到底有比线性模型偏离了多少。
intention filter 这个模型的思想借鉴了estimation算法里面的particle filter.回顾particle filter算法：根据运动模型预测每一个particle的location及uncertainty，并根据measurement不断update新的estimate的location和estimate的uncertainty。具体对应到本应用场景：行人的运动意图----对应于运动模型；行人每一帧的位置----对应measurement；uncertainty还是原来的样子。
行人预测领域的难点1：行人异常改变路线可能会导致预测得很离谱，但本文章表示他们的方法，对这个难点有优化。

4 分析问题

预测的内容：1）长期的意图；2）根据长期意图插补出每一个time step的location。本文的目的是行人的轨迹的预测，可以分解拆成上面两个问题。
问题一：输入历史路线，输出意图的位置。用到运动模型
问题二：输入：T_f时间之后的意图（一个二维坐标），& 前期的行人路线(这个路线可以是oberserved，也可以是estimated的)。输出，每一个时间点的位置。这个地方需要LSTM。一般其他的文章在这块预测的是每一个time step的位移，但本文
残差网络 + 双向LSTM + mutable意图filter

5 零散知识点

exploration and exploitation：见西瓜书增强学习部分。调节 $\tau$ 的大小。让模型在训练的时候控制探索和实验的比例。
Sequential Importance Resampling (SIR)。先回顾resampling
genetic algorithms 遗传算法，用来解决人物更改运动意图。
Edinburgh dataset。这个数据集

今日复习

image.png

resampling: 在predict或者measurement两个步骤之后，particle可能会被分配不同的weight。将这些weight进行normalization。然后根据weight来sample particle的过程就叫做resampling。可以避免sample degeneracy采样退化。

image.png

学习ReBil行人轨迹预测。