Riassunto analitico
Comprendere le caratteristiche del movimento umano è un compito di fondamentale importanza per diverse possibili applicazioni future e non, come le auto a guida autonoma o i robot sociali, e in generale per tutte quelle situazioni in cui un agente autonomo deve navigare all'interno di un ambiente che potremmo definire "umano-centrico". Questo compito è particolarmente impegnativo perché il movimento uma-no è intrinsecamente multimodale: dato uno storico dei movimenti passati, i modi socialmente plausibili con cui le persone potrebbero muoversi in futuro sono molteplici. A questo si aggiunge il fatto che i movimenti delle persone sono spesso guidati da specifici obiettivi, come raggiungere una data destinazione o interagire con l'ambiente circostante. Abbiamo affrontato i suddetti aspetti combinando diversi strumenti: dai modelli generativi, passando per le funzioni di labelling, fino ad arrivare alle Graph Neural Networks. Un modello generativo ricorrente osserva i movimenti passati dei singoli agenti e ne predice il comportamento futuro: il modello sfrutta due attention-based Graph Neural Networks per collezionare informazioni sulle mutue influenze degli agenti e per integrare queste informazioni con previsioni sui loro possibili obiettivi futuri.
|
Abstract
Understanding human motion behaviour is a critical task for several possible applications like self-driving cars or social robots, and in general for all those settings where an autonomous agent has to navigate inside a human-centric environment. This is non-trivial because human motion is inherently multi-modal: given a history of human motion paths, there are many socially plausible ways by which people could move in the future. Additionally, people activities are often driven by goals, e.g. reaching particular locations or interacting with the environment. We address the aforementioned aspects by combining several tools: from generative models to labelling functions, to Graph Neural Networks. A recurrent generative model observes motion history and predicts future behaviours: the model exploits a double attention-based graph neural network to collect information about the mutual influences among different agents and integrates it with data about agents' possible future objectives.
|