Accéder directement au contenu Accéder directement à la navigation
Nouvelle interface
Communication dans un congrès

Asymmetrical Bi-RNN for Pedestrian Trajectory Encoding

Abstract : Pedestrian motion behavior involves a combination of individual goals and social interactions with other agents. In this article, we present an asymmetrical bidirectional recurrent neural network architecture called U-RNN to encode pedestrian trajectories and evaluate its relevance to replace LSTMs for various forecasting models. Experimental results on the Trajnet++ benchmark show that the U-LSTM variant yields better results regarding every available metrics (ADE, FDE, Collision rate) than common trajectory encoders for a variety of approaches and interaction modules, suggesting that the proposed approach is a viable alternative to the de facto sequence encoding RNNs. Our implementation of the asymmetrical Bi-RNNs for the Trajnet++ benchmark is available at: github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-toencode-pedestrian-trajectories.
Type de document :
Communication dans un congrès
Liste complète des métadonnées

https://hal-mines-paristech.archives-ouvertes.fr/hal-03682456
Contributeur : Joseph Gesnouin Connectez-vous pour contacter le contributeur
Soumis le : mardi 31 mai 2022 - 09:57:52
Dernière modification le : samedi 22 octobre 2022 - 05:20:08

Fichier

U_RNNS_RFIAP (1).pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-03682456, version 1

Citation

Raphaël Rozenberg, Fabien Moutarde, Joseph Gesnouin. Asymmetrical Bi-RNN for Pedestrian Trajectory Encoding. Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), Jul 2022, Vannes, France. ⟨hal-03682456⟩

Partager

Métriques

Consultations de la notice

28

Téléchargements de fichiers

32