晓查 乾明 发自 凹非寺
量子位 报道
道路千万条，你走哪一条？
AI知道。
不仅知道，还能预测出你要干什么。
这种全面“窥视未来”的能力，出自李飞飞团队的最新研究。
我们来（假装）看一段街头小视频。
一个人，从车后绕过来……
画面定格，引来保安终极三问：他是谁？要去哪？干什么？
当然是继续走向车门旁边，伸手开门。
AI回答正确。（“是谁”超纲了，由其他AI负责）
提高一点难度，多拍几个人试试：
李飞飞团队的新AI还是能答对。系好安全带，发车~
这项研究，由卡耐基梅隆大学（CMU）、Google AI和斯坦福大学共同完成。
他们运用一个端到端的多任务学习系统，从画面中识别人类行为和TA与周围环境的互动情况，然后根据这些信息，预测出这名行人未来的路径和行为。
无论是预知的范围还是准确率，都比以往的研究更强。
比一比
在此之前，“窥视未来”的研究也不少，不过都只是预测人接下来的行走路径，无法预测他们干什么。
比如2018年李飞飞夫妇团队发表在CVPR上的Social GAN，代表了当时最先进的水平，却也只能预测“要去哪儿”。
而这项最新的研究，不仅预测了人的路径，还预测出了这些人的活动。
论文中说，这是首次同时预测人未来路径和活动的研究。
如果你仔细观察上图的蓝色预测轨迹，还会发现：新研究的轨迹预测能力也比以前更强了。
当然，这些是主观定性的感受，放到定量的分析中，它对路径预测的误差平均下来也是最小的。
上图是各种算法在五个场景人物路径预测数据上的表现。
为了充分证明模型的性能，分成了两类，一是对单一模型结果的比较（Single Model），一是比较20个模型输出结果最优情况（20 Outputs）。
这五个场景来自两个公开的数据集。
一是ETH数据集，包括ETH（大学外部）和HOTEL（公共汽车站），二是UCY数据集，包括UNIV（大学）、ZARA1（购物街）和ZARA2（购物街）。
图表中的数据，表示人物接下来路径中12个点的预测误差，“/”左侧数据代表平均位移误差，右侧数据代表最终位移误差，数据越小越好。
各个场景平均来看（AVG），这项最新研究单一模型的平均误差比其他模型要少0.2，最终误差少0.4。20个模型输出结果最优情况中，平均误差和最终误差也都少了0.1左右。
一个算法，既能预测轨迹，又能预测行为，误差还比其他方法低。那么问题来了——
怎么做到的？
预测运动轨迹这件事，和预测行为本来就是相辅相成的。
人类走路是以特定目的为导向，了解一个人的目的，有助于推测他要去哪。
预测模型的神经网络架构。
既然要同步预测运动轨迹和行为，就不能像以往那些研究一样，把人简化成一个点了。
这个神经网络，总共包含4部分：
人物行为模块、人物交互模块、轨迹生成器、活动预测
其中前两个模块是图像识别的部分，分别负责识别场景中每个人的动作和相互关系。
获得的信息交给LSTM编码器，压缩成一个“视觉特征张量”Q，交给剩下两部分生成轨迹和活动的预测结果。
另外，活动预测模块还能对活动即将发生的位置进行预测，弥补轨迹生成器的误差。
这四个模块的功能和工作原理，具体来说是这样的：
1、人物行为模块
这个模块负责对场景中每个人的图像信息进行编码，除了标记人的轨迹点以外，还要对身体活动进行建模。
为了对人在场景中的变化进行建模，这里用一个预训练的带有“RoAlign”的物体检测模型，来提取每个人边界框的固定尺寸CNN特征。
除了场景以外，人物行为模块还需要获取肢体活动的信息，本文使用了一个MSCOCO数据集上训练的检测模型，来提取人体关键点信息。
以上两个部分分别输入LSTM编码器，获得场景和肢体动作的特征表示。
2、人物交互模块
这个模块负责查看人与周围环境的交互，包含人与场景、人与对象的交互。
其中人与场景的交互是为了对人附近的场景进行编码。
首先使用预训练的场景分割模型导出每一帧的像素级场景语义分类，划分出场景中的道路、人行道等部分。
然后选取适当的尺寸大小来确定模型需要识别的环境区域。例如把数值设定为3，表示选取人周围3×3大小的范围作为观察区域。
将以上不同时刻获取的信息输入LSTM编码器，最终获得了人与场景关系的特征。
与前人的研究不同，“人与对象的交互”模块可以对场景中所有对象与人的几何关系和类型进行建模，并根据几何距离来计算人与其他对象的关系，而不仅仅只关注与周围近邻的关系。
但是人的轨迹更容易受到近距离物体或人的影响，文中使用对数函数作为权重，来反映不同距离人或物体对轨迹的影响。实际效果也证明了这种编码方式是有效的。
下一步，将某个时刻的几何特征和对象类型特征嵌入到多维向量中，并将嵌入的特征馈送到LSTM编码器中。
由人与其他人、汽车之间的距离，可以获得人与物体的关系特征；由人是靠近人行道还是草地，可以判定人物场景特征。
将这些信息提供给模型，让它能学习到人类的活动方式。比如一个人在人行道上比在草地上走得更频繁，并且会倾向于避免撞到汽车。
3、轨迹生成器
上面两个模块提取的4种特征，包括场景、肢体动作、人与场景和人与对象关系等信息，由单独的LSTM编码器压缩成视觉特征张量Q。
接下来使用LSTM解码器直接解码，在实际平面坐标上预测未来的轨迹。
这项研究用了一种焦点注意力的机制。它起初源于多模态推理，用于多张图片的视觉问答。其关键之处是将多个特征投射到相关空间中，在这个空间中，辨别特征更容易被这种注意力机制捕获。
焦点注意力对不同特征的关系进行建模，并把它们汇总到一个低维向量中。
4、活动预测
活动预测模块有两个任务，确定活动发生的地点和活动的类型。
相应地，它包含两个部分，曼哈顿网格的活动位置预测和活动标签预测。
活动标签预测的作用是猜出画面中的人最后的目的是什么，预测未来某个瞬间的活动。活动标签在某一时刻并不限于一种，比如一个人可以同时走路和携带物品。
而活动位置预测的功能，是为轨迹生成器纠错。
轨迹生成器有个缺点，预测位置的误差会随着时间累计而增大，最终目的地会偏离实际位置。
为了克服这个缺点，就有了“活动位置预测”这项辅助任务。它确定人的最终目的地，以弥补轨迹生成器和活动标签预测之间的偏差。包括位置分类和位置回归两个任务。
位置分类的目的是预测最终位置坐标所在的网格块。位置回归的目标是预测网格块中心（图中的蓝点）与最终位置坐标（红色箭头的末端）的偏差。
添加回归任务的原因是，它能提供比网格区域更精确的位置。
还有很长的路要走
虽然模型设计中，考虑的非常周到，但面对现实情况时，仍旧会出现种种失败案例：
左边，预测人物要打开后备箱，但实际上是他只是站着。
右边，预测任务将会向右前方前进，提着一些东西，但实际上他一直骑行，并向左前方拐弯，全然不顾前方即将到来的车辆。
从这些情况来看，模型应对一些场景还有些吃力。
此外，这个AI目前仅适用于美国国家标准局提供预定义的30个人类活动，例如关门、开门、关后备箱、开后备箱、提东西、打招呼、推、拉、骑自行车、跑、步行等等。
研究道路千万条，这是第一条。
随着研究的成熟，在自动化社会中，人类这一最不稳定的变量也就将会在控制之中。
未来，自动驾驶的汽车，可能再也不用担心横冲直撞的行人了，机器人也会与人类“和谐相处”了，毕竟人类想要干什么，系统都了如指掌。
如果你对这个领域感兴趣，还请收好这篇论文的传送门：
Peeking into the Future：Predicting Future Person Activities and Locations in Video
https://arxiv.org/abs/1902.03748
— 完 —
随时随地看视频
