以下內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文##開(kāi)源# ICCV 2023|韓國(guó)光州科技研究院（GIST）卡內(nèi)基梅隆大學(xué)開(kāi)源特征軌跡：多模態(tài)軌跡預(yù)測(cè)的低秩描述子

(資料圖片)

【EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory Forecasting】文章鏈接：[] EigenTrajectory: Low-Rank Descriptors...

開(kāi)源地址：https: ///inhwanbae/EigenTrajectory

捕捉高維的社會(huì)交往和可行的未來(lái)對(duì)于預(yù)測(cè)軌跡至關(guān)重要。為了解決這個(gè)復(fù)雜的性質(zhì)，已經(jīng)有一些嘗試通過(guò)參數(shù)曲線擬合來(lái)降低輸出變量的維度，如Bezier曲線和B樣條函數(shù)。然而，這些起源于計(jì)算機(jī)圖形學(xué)領(lǐng)域的功能并不適合解釋社會(huì)可接受的人類(lèi)動(dòng)力學(xué)。在本文中，我們提出了EigenTtrack ( ET )軌跡預(yù)測(cè)方法，該方法使用一種新的軌跡描述符來(lái)形成一個(gè)緊湊的空間，稱為ET空間，以代替歐氏空間來(lái)表示行人運(yùn)動(dòng)。我們首先通過(guò)低秩近似降低軌跡描述符的復(fù)雜度。 我們將行人的歷史軌跡轉(zhuǎn)化為我們的時(shí)空主成分表示的ET空間，并將其饋送到現(xiàn)成的軌跡預(yù)測(cè)模型中。模型的輸入和輸出以及社會(huì)交互都在相應(yīng)的ET空間中聚集和聚合。最后，我們提出了一種基于軌跡錨的精化方法來(lái)覆蓋所提出的ET空間中所有可能的預(yù)測(cè)。 大量的實(shí)驗(yàn)表明，我們的EigenTtrack預(yù)測(cè)器能夠顯著提高現(xiàn)有軌跡預(yù)測(cè)模型在公開(kāi)數(shù)據(jù)集上的預(yù)測(cè)精度和可靠性，表明我們提出的描述子非常適合表征行人行為。

以上內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

最后介紹一下我們最近的幾個(gè)學(xué)習(xí)活動(dòng)：

1、從零掌握GNSS、RTK定位

2、從零開(kāi)始ChatGPT編程

3、視覺(jué)動(dòng)態(tài)SLAM方向全梳理

4、快速入門(mén)激光雷達(dá)慣性SLAM-FastLio2

5、超棒的機(jī)器人SLAM圈！

關(guān)鍵詞：