Incremental Learning for Motion Prediction of Pedestrians and Vehicles

مدل‌سازی و پیش‌بینی حرکت انسان و وسیله نقلیه یک حوزه تحقیقاتی فعال است. به دلیل مشکل در مدل‌سازی عوامل مختلفی که حرکت را تعیین می‌کنند (مانند حالت داخلی، ادراک)، این اغلب با استفاده از تکنیک‌های یادگیری ماشین برای ساخت یک مدل آماری، با استفاده از مجموعه‌ای از مسیرهای جمع‌آوری شده از طریق یک حسگر (مانند دوربین، لیزر) حل می‌شود. اسکنر)، و سپس از آن مدل برای پیش بینی حرکت بیشتر استفاده کنید. متأسفانه، بیشتر تکنیک‌های کنونی از الگوریتم‌های یادگیری آفلاین استفاده می‌کنند، به این معنی که پس از پایان مرحله یادگیری، قادر به یادگیری الگوهای حرکتی جدید نیستند.

این کتاب یک رویکرد یادگیری مادام‌العمر را ارائه می‌کند که در آن الگوهای حرکتی را می‌توان به صورت تدریجی آموخت. و به موازات پیش بینی. این رویکرد مبتنی بر گسترش جدیدی برای مدل‌های پنهان مارکوف است، و سهم اصلی ارائه شده در این کتاب، به نام مدل‌های پنهان مارکوف در حال رشد است، که به ما توانایی یادگیری تدریجی پارامترها و ساختار مدل را می‌دهد. رویکرد پیشنهادی به طور گسترده با داده های مسیر مصنوعی و واقعی تایید شده است. در آزمایش‌های ما، رویکرد ما به‌طور پیوسته مدل‌های حرکتی را یاد گرفت که فشرده‌تر و دقیق‌تر از مدل‌هایی بودند که توسط دو تکنیک پیشرفته دیگر تولید می‌شدند، که قابلیت دوام روش‌های یادگیری مادام‌العمر برای ساخت مدل‌های رفتار انسانی را تأیید می‌کرد.

Modeling and predicting human and vehicle motion is an active research domain. Owing to the difficulty in modeling the various factors that determine motion (e.g. internal state, perception) this is often tackled by applying machine learning techniques to build a statistical model, using as input a collection of trajectories gathered through a sensor (e.g. camera, laser scanner), and then using that model to predict further motion. Unfortunately, most current techniques use offline learning algorithms, meaning that they are not able to learn new motion patterns once the learning stage has finished.

This books presents a lifelong learning approach where motion patterns can be learned incrementally, and in parallel with prediction. The approach is based on a novel extension to hidden Markov models, and the main contribution presented in this book, called growing hidden Markov models, which gives us the ability to learn incrementally both the parameters and the structure of the model. The proposed approach has been extensively validated with synthetic and real trajectory data. In our experiments our approach consistently learned motion models that were more compact and accurate than those produced by two other state-of-the-art techniques, confirming the viability of lifelong learning approaches to build human behavior models.