要聞
以下內容來自小六的機器人SLAM學習圈知識星球每日更新內容
點擊領取學習資料 → 機器人SLAM學習資料大禮包
#論文##開源# ICCV 2023|韓國光州科技研究院（GIST）卡內基梅隆大學開源特征軌跡：多模態軌跡預測的低秩描述子
(資料圖片)
【EigenTrajectory: Low-Rank Descriptors for Multi-Modal Trajectory Forecasting】文章鏈接：[] EigenTrajectory: Low-Rank Descriptors...
開源地址：https: ///inhwanbae/EigenTrajectory
捕捉高維的社會交往和可行的未來對于預測軌跡至關重要。為了解決這個復雜的性質，已經有一些嘗試通過參數曲線擬合來降低輸出變量的維度，如Bezier曲線和B樣條函數。然而，這些起源于計算機圖形學領域的功能并不適合解釋社會可接受的人類動力學。在本文中，我們提出了EigenTtrack ( ET )軌跡預測方法，該方法使用一種新的軌跡描述符來形成一個緊湊的空間，稱為ET空間，以代替歐氏空間來表示行人運動。我們首先通過低秩近似降低軌跡描述符的復雜度。 我們將行人的歷史軌跡轉化為我們的時空主成分表示的ET空間，并將其饋送到現成的軌跡預測模型中。模型的輸入和輸出以及社會交互都在相應的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覆蓋所提出的ET空間中所有可能的預測。 大量的實驗表明，我們的EigenTtrack預測器能夠顯著提高現有軌跡預測模型在公開數據集上的預測精度和可靠性，表明我們提出的描述子非常適合表征行人行為。
以上內容來自小六的機器人SLAM學習圈知識星球每日更新內容
最后介紹一下我們最近的幾個學習活動：
1、從零掌握GNSS、RTK定位
2、從零開始ChatGPT編程
3、視覺動態SLAM方向全梳理
4、快速入門激光雷達慣性SLAM-FastLio2
5、超棒的機器人SLAM圈！
關鍵詞：
版權與免責聲明：
1 本網注明“來源：×××”（非商業周刊網）的作品，均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，本網不承擔此類稿件侵權行為的連帶責任。
2 在本網的新聞頁面或BBS上進行跟帖或發表言論者，文責自負。
3 相關信息并未經過本網站證實，不對您構成任何投資建議，據此操作，風險自擔。
4 如涉及作品內容、版權等其它問題，請在30日內同本網聯系。
