Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction Using a Graph Vehicle-Pedestrian Attention Network

Forecasting the motion of surrounding vehicles is necessary for an autonomous driving system applied in complex traffic. Trajectory prediction helps vehicles make more sensible decisions, which provides vehicles with foresight. However, traditional models consider the trajectory prediction as a simple sequence prediction task. The ignorance of inter-vehicle interaction and environment influence degrades these models in real-world datasets. To address this issue, we propose a novel Dynamic and Static Context-aware Attention Network named DSCAN in this paper. The DSCAN utilizes an attention mechanism to dynamically decide which surrounding vehicles are more important at the moment. We also equip the DSCAN with a constraint network to consider the static environment information. We conducted a series of experiments on a real-world dataset, and the experimental results demonstrated the effectiveness of our model. Moreover, the present study suggests that the attention mechanism and static constraints enhance the prediction results.

Download Full-text

EGAT: Extended Graph Attention Network for Pedestrian Trajectory Prediction

Computational Intelligence and Neuroscience ◽

10.1155/2021/9985401 ◽

2021 ◽

Vol 2021 ◽

pp. 1-12

Author(s):

Wei Kong ◽

Yun Liu ◽

Hui Li ◽

Chuanxu Wang

Keyword(s):

Receptive Field ◽

Autonomous Driving ◽

Trajectory Prediction ◽

Robot Interaction ◽

Correct Judgment ◽

Attention Network ◽

Temporal Domain ◽

Wide Range ◽

Public Datasets ◽

Extended Graph

To improve foresight and make correct judgment in advance, pedestrian trajectory prediction has a wide range of application values in autonomous driving, robot interaction, and safety monitoring. However, most of the existing methods only focus on the interaction of local pedestrians according to distance, ignoring the influence of far pedestrians; the range of network input (receptive field) is small. In this paper, an extended graph attention network (EGAT) is proposed to increase receptive field, which focuses not only on local pedestrians, but also on those who are far away, to further strengthen pedestrian interaction. In the temporal domain, TSG-LSTM (TS-LSTM and TG-LSTM) and P-LSTM are proposed based on LSTM to enhance information transmission by residual connection. Compared with state-of-the-art methods, the model EGAT achieves excellent performance on both ETH and UCY public datasets and generates more reliable trajectories.

Download Full-text

SRGAT: Social Relational Graph Attention Network for Human Trajectory Prediction

10.1007/978-3-030-92270-2_54 ◽

2021 ◽

pp. 632-644

Author(s):

Yusheng Peng ◽

Gaofeng Zhang ◽

Xiangyu Li ◽

Liping Zheng

Keyword(s):

Trajectory Prediction ◽

Attention Network

Download Full-text

Environment-Attention Network for Vehicle Trajectory Prediction

IEEE Transactions on Vehicular Technology ◽

10.1109/tvt.2021.3111227 ◽

2021 ◽

pp. 1-1

Author(s):

Yingfeng Cai ◽

Zihao Wang ◽

Hai Wang ◽

Long Chen ◽

Yicheng Li ◽

...

Keyword(s):

Trajectory Prediction ◽

Attention Network ◽

Vehicle Trajectory ◽

Vehicle Trajectory Prediction

Download Full-text

PTPGC: Pedestrian trajectory prediction by graph attention network with ConvLSTM

Robotics and Autonomous Systems ◽

10.1016/j.robot.2021.103931 ◽

2021 ◽

pp. 103931

Author(s):

Juan Yang ◽

Xu Sun ◽

Rong Gui Wang ◽

Li Xia Xue

Keyword(s):

Trajectory Prediction ◽

Attention Network

Download Full-text

Neurofeedback-Training bei Kindern mit Aufmerksamkeitsdefizit-/ Hyperaktivitätsstörung (ADHS)

Zeitschrift für Kinder- und Jugendpsychiatrie und Psychotherapie ◽

10.1024/1422-4917/a000070 ◽

2010 ◽

Vol 38 (6) ◽

pp. 409-420 ◽

Cited By ~ 10

Author(s):

Holger Gevensleben ◽

Gunther H. Moll ◽

Hartmut Heinrich

Keyword(s):

Attention Network Test ◽

Sich Eine ◽

Neurofeedback Training ◽

Attention Network ◽

Klinische Wirksamkeit

Im Rahmen einer multizentrischen, randomisierten, kontrollierten Studie evaluierten wir die klinische Wirksamkeit eines Neurofeedback-Trainings (NF) bei Kindern mit einer Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) und untersuchten die einem erfolgreichen Training zugrunde liegenden neurophysiologischen Wirkmechanismen. Als Vergleichstraining diente ein computergestütztes Aufmerksamkeitstraining, das dem Setting des Neurofeedback-Trainings in den wesentlichen Anforderungen und Rahmenbedingungen angeglichen war. Auf Verhaltensebene (Eltern- und Lehrerbeurteilung) zeigte sich das NF-Training nach Trainingsende dem Kontrolltraining sowohl hinsichtlich der ADHS-Kernsymptomatik als auch in assoziierten Bereichen überlegen. Für das Hauptzielkriterium (Verbesserung im FBB-HKS Gesamtwert) ergab sich eine mittlere Effektstärke (von 0.6). Sechs Monate nach Trainingsende (follow-up) konnte das gleiche Ergebnismuster gefunden werden. Die Ergebnisse legen somit den Schluss nahe, dass NF einen klinisch wirksamen Therapiebaustein zur Behandlung von Kindern mit ADHS darstellt. Auf neurophysiologischer Ebene (EEG; ereignisbezogene Potentiale, EPs) konnten für die beiden Neurofeedback-Protokolle Theta/Beta-Training und Training langsamer kortikaler Potentiale spezifische Effekte aufgezeigt werden. So war für das Theta/Beta-Training beispielsweise die Abnahme der Theta-Aktivität mit einer Reduzierung der ADHS-Symptomatik assoziiert. Für das SCP-Training wurde u. a. im Attention Network Test eine Erhöhung der kontingenten negativen Variation beobachtet, die die mobilisierten Ressourcen bei Vorbereitungsprozessen widerspiegelt. EEG- und EP-basierte Prädiktorvariablen konnten ermittelt werden. Der vorliegende Artikel bietet einen Gesamtüberblick über die in verschiedenen Publikationen unserer Arbeitsgruppe beschriebenen Ergebnisse der Studie und zeigt zukünftige Fragestellungen auf.

Download Full-text