پيش‌بيني مسير حركت انسان‌ها در محيط‌هاي پر ازدحام با استفاده از بلوك‌هاي با حافظه بلند-كوتاه مدت و مكانيزم توجه

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

پيش‌بيني مسير حركت انسان‌ها در كاربردهاي مختلف، از جمله وسايل نقليه خودران، روباتيك اجتماعي و مديريت جمعيت، يك كار حياتي است. روش‌هاي مختلفي در اين زمينه ارائه شده‌است از جمله روش Social LSTM. مدل Social LSTM به طور گسترده براي پيش‌بيني مسير حركت انسان‌ها استفاده شده‌است، اما محدوديت‌هايي دارد، مانند رفتار يكسان با همه همسايگان بدون در نظر گرفتن اهميت آن‌ها. براي پرداختن به اين موضوع، در اين پايان‌نامه يك رويكرد پيش‌بيني مسير حركت نوآورانه به نام Attention Social LSTM پيشنهاد شده‌است كه از مكانيزم توجه براي تمركز انتخابي بر تعاملات مربوطه در طول پيش‌بيني مسير حركت انسان‌ها استفاده مي‌كند. در روش پيشنهادي، ابتدا ضرايب توجه با استفاده از يك شبكه مبتني بر يادگيري تقويتي استخراج مي‌شود. اين ضرايب توجه، اهميت هر همسايه را هنگام پيش‌بيني مسير حركت يك انسان هدف، مشخص مي‌كند. با گنجاندن اطلاعات سرعت در مكانيزم توجه، مدل پيشنهادي بينش عميق‌تري در مورد پويايي حركت انسان به دست مي‌آورد كه منجر به پيش‌بيني‌هاي دقيق‌تر مي‌شود. اين ضرايب توجه با روش SARL استخراج مي‌شوند. معماري Attention Social LSTM ارائه‌شده ضرايب توجه، داده‌هاي موقعيت و اطلاعات ماژول ادغام اجتماعي را به بلوك‌هاي با حافظه بلند-كوتاه مدت ارسال مي‌كند و زمينه‌اي جامع براي پيش‌بيني مسير حركت انسان‌ها فراهم مي‌كند. مكانيزم توجه به طور قابل توجهي توانايي مدل را براي گرفتن تعاملات معني‌دار بهبود مي‌بخشد كه منجر به عملكرد پيش‌بيني بهتر مسير حركت انسان‌ها مي‌شود. براي ارزيابي اثربخشي رويكرد ارائه‌شده، آزمايش‌هاي گسترده‌اي روي مجموعه داده‌هاي ETH و UCY انجام شده‌است. ارزيابي بر اساس معيارهاي پركاربرد ميانگين خطاي جابجايي (ADE) و خطاي جابجايي نهايي (FDE) انجام شده‌است. نتايج نشان‌دهنده برتري رويكرد پيشنهادي اين پايان‌نامه نسبت به مدل Social LSTM است. در مجموعه داده ETH و UCY، رويكرد پيشنهادي به ميانگين كاهش 6.2 ٪ در خطاي ADE و 6.3 ٪ در خطاي FDE در مقايسه با روش Social LSTM دست مي‌يابد. رويكرد پيشنهادي اين پايان‌نامه پيشرفت قابل توجهي را نسبت به مدل Social LSTM براي پيش‌بيني مسير انسان ارائه مي‌كند. با استفاده از مكانيزم توجه، مدل ارائه‌شده مي‌تواند به طور موثر بر تعاملات انسان‌ها تمركز كند، كه منجر به پيش‌بيني‌هاي مسير حركت دقيق‌تر و مطمئن‌تر مي‌شود.

222871

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان