自动驾驶轨迹预测论文阅读（三）Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks

最新推荐文章于 2025-04-05 10:34:14 发布
原创 最新推荐文章于 2025-04-05 10:34:14 发布 · 1.7k 阅读 · 12 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #生成对抗网络 #人工智能

本文介绍了SocialGAN，一种利用生成对抗网络解决行人轨迹预测问题的方法。模型结合序列预测工具，通过社会池化机制和新型损失函数，生成多样且社会可接受的未来轨迹，适用于自动驾驶和社交机器人。实验结果显示在准确性、多样性及避免碰撞方面优于现有工作。

【略读】GUPTA A, JOHNSON J, FEI-FEI L, et al., 2018. Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks[C/OL]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT: IEEE: 2255-2264[2022-08-31]. https://ieeexplore.ieee.org/document/8578338/. DOI:10.1109/CVPR.2018.00240.

什么是GAN？

生成对抗网络（GAN）由2个重要的部分构成：

  1. 生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器
  2. 判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”

Abstract

如果要在以人为中心的环境中导航，了解人类运动行为对于自主移动平台（如自动驾驶汽车和社交机器人）至关重要。这是具有挑战性的，因为人

最低0.47元/天 解锁文章
Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks
weixin_44472627的博客
04-06 471
社会GAN:生成对抗网络的社会接受轨迹 1 引言 对于自动驾驶汽车或与人类共享同一个生态系统的社交机器人等自主移动平台来说，预测行人的运动行为至关重要。人类可以有效地进行复杂的社会互动，这些机器也应该能够做到这一点。为此，一项具体而重要的任务如下:给定观察到的行人运动轨迹(过去的坐标，如3.2秒)，预测所有可能的未来轨迹(图1)。 由于拥挤场景中人类运动的固有特性，预测人类行为具有挑战性: 人际关系。每个人的动作取决于他们周围的人。人类有一种天生的能力，在人群中辨别他人的行为。对这些依赖项进行联合建模是一
Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks论文阅读
m0_47199826的博客
04-20 1298
我们的目标是共同推理和预测一个场景中所有智能体的未来轨迹。我们假设我们接收到一个场景中所有人的轨迹作为输入，X = X1, X2，…， Xn，并同时预测所有人未来的轨迹，Y = Y1, Y2，…Yn。行人的输入轨迹i定义为Xi = (x ti, yt i)，从时间步长t = 1，…， tobs，和未来的轨迹(地面真相)可以类似地定义为Yi = (x ti, yt i)，从时间步长t = tobs + 1，…, tpred。我们用Yi表示预测结果。
Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks 中文翻译
qq_42902997的博客
12-30 2783
Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks 中文翻译 如有异议，请多指教，非专业人员，仅供参考 abstract 理解人类的运动行为对于自主移动平台(如自动驾驶汽车和社交机器人)在以人类为中心(human-centric)的环境中导航至关重要。这是一项具有挑战性的任务，因为人类的...
【速读】Social GAN : Socially Acceptable Trajectories with Generative Adversarial Networks
zoechch888的博客
04-09 394
Social GAN : Socially Acceptable Trajectories with Generative Adversarial Networks Paper:https://openaccess.thecvf.com/content_cvpr_2018/papers/Gupta_Social_GAN_Socially_CVPR_2018_paper.pdf Code(pytorch):https://github.com/agrimgupta92/sgan 简介 SGAN用于行人轨迹
论文阅读笔记：Social GAN
m0_37836825的博客
05-31 1181
第一篇文章是《 Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks 》
论文阅读：Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks
hbhhhxs的专栏
05-15 5831
转载自凌空的桨https://blog.youkuaiyun.com/baidu_36669549/article/details/85986628 翻译稿---链接 参考---Social GAN：利用GAN来帮助预测行人运动轨迹 或者 http://grayxu.cn/2018/10/06/Social-GAN/ 源码---sgan 可视化--Visual-of-Social-G...
CVPR2024自动驾驶轨迹预测方向的论文整理
u010062386的专栏
07-05 5979
提出针对在线地图不确定性带给轨迹预测的影响对应的解决方案。在轨迹预测中，利用在线地图不确定性是一个重要的课题。随着位置数据的增加和地图更新的频率加快，准确地处理这些不确定性变得至关重要。通过这些步骤，我们可以有效地利用在线地图的不确定性来提高轨迹预测的准确性。
Social GAN（CVPR2018)
最新发布
qihshe的博客
04-05 957
理解人类的运动行为对于自主移动平台（如自动驾驶汽车和社交机器人）来说是至关重要的，如果它们要在以人为中心的环境中导航的话。这是具有挑战性的，因为人类的运动本质上是多模态的：考虑到人类运动路径的历史，有许多社会上合理的方式，人们可以在未来移动。我们通过结合序列预测和生成对抗网络的工具来解决这个问题：一个循环的序列到序列模型-服务于运动历史并预测未来行为，使用新的池化机制来聚合人们之间的信息。我们预测社会合理的未来，通过训练和普遍反对一个循环的鉴别器，并鼓励多样化的预测与一个新的多样性损失。
SocialGAN模型和数据.zip
12-31
Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks的实现代码+数据源，免去下载数据这一步
Python-SocialGAN的实现代码
08-11
"Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks"的代码
Social GAN——可视化-附件资源
03-05
Social GAN——可视化-附件资源
Social GAN——可视化
凌空的桨
01-22 5326
0.先说说数据集 刚开始我看这数据有点懵，这都是啥啊，后来看明白了,随便打开一个数据集，这里以biwi_hotel_train.txt为例 0.0 1.0 1.41 -5.68 0.0 2.0 0.51 -6.94 0.0 3.0 2.3 -4.59 0.0 4.0 2.74 -2.5 0.0 5.0 -1.59 0.93 0.0 6.0 -1.72 1.32 0.0 7.0 -2.45 2...
文献阅读报告 - Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks...
aikk824242的博客
08-17 1044
paper：Gupta A , Johnson J , Fei-Fei L , et al. Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks[J]. 2018. code：https://github.com/agrimgupta92/sgan 概览 文章提出了...
自动驾驶轨迹预测论文阅读（一）Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications
learning_man的博客
07-06 2676
自动驾驶轨迹预测论文阅读—— Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications: A Review
CVPR 2018 Social GAN、CVPR 2019 Sophie、NIPS 2019 Social-BiGAT、CVPR 2019 Social Ways | 基于GAN的行人轨迹预测
周周周周周大帅的博客
09-13 2452
目前广泛应用在行人轨迹预测领域的方法主要包括基于LSTM网络、GCN网络和GAN网络的轨迹预测方法，这些网络在训练完成后对同类型输入具有很好的适用性，拥有较高的轨迹预测精度。抽空整理下关于用GAN来做行人轨迹预测的相关论文与要点。一、CVPR 2018 Social GANSocial GAN提出的思想很明确：以往的单一轨迹预测往往是一种“平均”的结果。
ICCV 2021 | MG-GAN：多生成器的行人轨迹预测模型（一）
周周周周周大帅的博客
09-22 3139
二是行人与场景间的交互，研究的是行人与周围场景的关联关系（交互），这里的场景指的是，人是站在路边，还是草坪上，或者是靠近一片水池、还是靠近一幢办公楼…，取观测坐标in_xy、相对坐标in_dxdy的最后一帧，将其拼接，得到一个大小为[6,1,4]（或[120,1,4]）的矩阵，该矩阵包含行人在最后一帧的绝对坐标以及相对坐标，利用该矩阵计算行人间的l2 distance、bearing angle、dcas_matrix，得到行人间的social feat [6,6,3]（或[120,120,3]）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值