GTransPDM:一种基于图嵌入的变换器与位置解耦模块用于行人过马路意图预测
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了使用图像或环境上下文掩码提取行人过马路行为意图时出现的处理错误和效率损失问题。通过提出位置解耦模块和图嵌入变换器,研究创新性地整合了多模态特征,显著提升了对人类姿态动态的建模能力。实验结果表明,该方法在PIE数据集上达到92%准确率,在JAAD数据集上达到87%准确率,显示出优异的性能。
本研究提出ARCANE框架,通过生成多样化视频段样本解决数据集多样性不足的问题,并引入PedSynth数据集,补充JAAD和PIE等真实数据集。为提高预测模型准确性,开发了基于GNN-GRU架构的PedGNN深度模型,用于预测行人过马路意图,适合车载环境。