Key points are not available for this paper at this time.
توقع المسارات البشرية يمثل تحديًا حاسمًا في تطبيقات متعددة (مثل المركبات الذاتية القيادة والروبوتات الاجتماعية). نظرًا لاستمرارية ورؤية حركات المشاة، سيأخذ المشاة المتحركون في الأماكن المزدحمة في الاعتبار التفاعلات المكانية والزمانية لتجنب التصادمات المستقبلية. ومع ذلك، فإن معظم الطرق الحالية تتجاهل الارتباطات الزمنية للتفاعلات مع مشاة آخرين متواجدين في نفس المشهد. في هذا العمل، نقترح شبكة الانتباه الرسومية المكانية-الزمانية (STGAT)، تستند إلى بنية تسلسل إلى تسلسل لتوقع المسارات المستقبلية للمشاة. بالإضافة إلى التفاعلات المكانية التي تلتقطها آلية الانتباه الرسومية في كل خطوة زمنية، نعتمد LSTM إضافية لترميز الارتباطات الزمنية للتفاعلات. من خلال مقارنات مع الطرق المتطورة، يحقق نموذجنا أداءً متفوقًا على مجموعتين من البيانات العامة (ETH وUCY) وينتج مسارات أكثر واقعية "اجتماعيًا" للمشاة.
درس Huang وآخرون هذا السؤال.