제약 조건을 활용하여 보행자의 사회적 상호작용을 정량화하는 방법

Learn to Quantify Social Interaction with Constraints for Pedestrian Walking

군중 속에서의 장기적인 인간 경로 예측은 자율 주행 자동차나 소셜 로봇과 같은 자율 시스템이 충돌을 피하고 고품질의 계획을 수립하는 데 매우 중요합니다. 기존 연구에서는 예측을 위해 사회적 상호작용을 고려하지만, 사람 간에 발생하는 구체적인 종류의 사회적 상호작용과 이러한 상호작용이 보행자의 의사 결정 과정에 미치는 영향은 명확하게 밝혀지지 않아 시스템의 안정성이 제한됩니다. 보행 중 발생하는 사회적 상호작용은 매우 다양하며, 이를 직접적으로 라벨링하고 정량화하기 어렵습니다. 본 논문에서는 'Learn to Cluster'라는 새로운 방법을 제안하여, 보행자들이 서로 어떻게 상호작용하는지 창의적인 방식으로 정량화하고 해석하고자 합니다. 저희의 클러스터링 방법은 확률적 잠재 변수 생성 모델을 사용하며, 순차적인 경로 데이터를 직접 학습하여 임의의 수의 보행자에게 적용 가능합니다. 'Learn to Cluster'는 라벨이 필요 없으며, 예측 모델 훈련 과정에 자연스럽게 통합될 수 있습니다. 이렇게 얻어진 잠재 변수는 사회적 상호작용을 분류하는 '라벨' 역할을 수행합니다. 여러 경로 예측 벤치마크를 사용한 광범위한 실험 결과, 저희 방법은 사회적 상호작용의 패턴을 학습하고 이를 보행자 경로 예측에 효과적으로 통합할 수 있음을 보여줍니다.

Long-term human path forecasting in crowds is critical for autonomous moving platforms (like autonomous driving cars and social robots) to avoid collision and make high-quality planning. Although the current research take into account social interactions for prediction, they don't reveal the exact kinds of social interactions happened among people and how the social interactions affect the decision-making process of pedestrians, which further limits its robustness. Social interactions in pedestrian walking are intuitively massive and hard to label and quantify. In this paper, we explore creatively to quantify and interpret how pedestrians interact with others by proposing Learn to Cluster. Our clustering social interactions is probabilistic latent variable generative, learning directly from sequential trajectory observations, scalable to arbitrary number of pedestrians. Learn to cluster is label-free and can be naturally integrated into the training process of the prediction model. The latent variables will then serve as 'labels' to categorize social interactions. Extensive experiments over several trajectory prediction benchmarks demonstrate that our method is able to learn the patterns of social interactions and effectively integrate the patterns to pedestrian trajectory prediction.