Scene compliant spatio-temporal multi-modal multi-agent long-term trajectory forecasting (2021)
- Authors:
- Autor USP: RIDEL, DANIELA ALVES - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/T.55.2021.tde-08112021-112852
- Subjects: APRENDIZADO COMPUTACIONAL; REDES NEURAIS; VEÍCULOS AUTÔNOMOS; CIDADES INTELIGENTES
- Keywords: Convolutional neural networks; Machine learning; Multimodal trajectory forecasting; Predição multimodal de trajetórias
- Agências de fomento:
- Language: Inglês
- Abstract: A previsão de movimentação humana de longo prazo é uma tarefa desafiadora devido à não linearidade, multimodalidade e incerteza inerente nas trajetórias futuras. Esse tipo de previsão é importante para garantir a segurança no contexto de veículos autônomos, especialmente quando eles se deslocam dentro de centros urbanos onde ciclistas e pedestres podem ser vistos com mais frequência. Ao prever as trajetórias dos agentes ao seu redor, o veículo autônomo pode planejar rotas mais seguras e evitar possíveis colisões. Trabalhos prévios usaram diferentes tipos de informações de entrada, dependendo do tipo de agente (carros, pedestres ou ciclistas), a duração da trajetória prevista (longo ou curto prazo) e a quantidade de trajetórias previstas (unimodal ou multimodal). Trabalhos relacionados normalmente ou dependem de mapas de alta definição, ou processam a cena e as trajetórias como recursos desconexos, portanto, a inferência espacial do contexto nas trajetórias futuras é perdida. Nesta tese é proposta uma nova abordagem para a previsão de trajetórias que alinha as informações de entrada no espaço e no tempo usando o mesmo frame de referência centrado no agente. Alinhando essas informações conseguimos utilizar o poder das redes neurais convolucionais para computar os caminhos mais prováveis e forçar o modelo a compreender a cena. O modelo proposto aprende automaticamente o contexto da cena e prevê vários caminhos que são plausíveis de acordo com as informações de entrada. Aabordagem proposta atingiu resultados competitivos quando comparado ao estado da arte no Stanford Drone Dataset (SDD) para predição de trajetórias de longo prazo, usando cinco trajetórias previstas. Para aplicações críticas, como carros autônomos, é importante prever várias trajetórias futuras possíveis para cada agente-alvo, pois assim é abrangido uma gama mais ampla de possíveis futuros, aumentando a segurança de veículos autônomos. Nesse sentido, a previsão de trajetórias é uma tarefa crucial a ser desenvolvida e incluída no pipeline de carros autônomos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2021
- Data da defesa: 18.08.2021
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
RIDEL, Daniela Alves. Scene compliant spatio-temporal multi-modal multi-agent long-term trajectory forecasting. 2021. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08112021-112852/. Acesso em: 01 mar. 2026. -
APA
Ridel, D. A. (2021). Scene compliant spatio-temporal multi-modal multi-agent long-term trajectory forecasting (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08112021-112852/ -
NLM
Ridel DA. Scene compliant spatio-temporal multi-modal multi-agent long-term trajectory forecasting [Internet]. 2021 ;[citado 2026 mar. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08112021-112852/ -
Vancouver
Ridel DA. Scene compliant spatio-temporal multi-modal multi-agent long-term trajectory forecasting [Internet]. 2021 ;[citado 2026 mar. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-08112021-112852/
Informações sobre o DOI: 10.11606/T.55.2021.tde-08112021-112852 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
