پیش‌بینی مسیر حرکت انسان‌ها در محیط‌های پر‌ازدحام با استفاده از شبکه‌های بازگشتی و ضریب توجه به دیگران

انسان‌‌ها مسیر‌ حرکت‌های متعددی را برای رسیدن به هدفشان می‌پیمایند. در این مسیر موانع ایستا و پویای متفاوتی وجود دارند که از برخورد با آن‌ها اجتناب می‌کنند. یکی از مسائل اصلی در حرکت انسان‌ها پیش‌بینی مسیر حرکت آینده آن‌هاست که در بسیاری از کاربردها از جمله رباتیک، انیمیشن و ... کاربرد دارد. در این مقاله روش جدیدی مبتنی بر شبکه‌های با حافظه بلند-کوتاه مدت ارائه شده‌است که از فاکتوری با نام 'ضریب توجه هر انسان نسبت به همسایگانش' به همراه اطلاعات مسیر گذشته آن فرد برای پیش‌بینی مسیر حرکت آینده انسان‌ها استفاده می‌کند. شبکه پیشنهادی با استفاده از دو دیتاست ucy و eth آموزش داده شد و روی پارامترهای average displacement error (ade) و final displacement error (fde) مورد ارزیابی قرار گرفت. نتایج بدست‌آمده نشان می‌دهد میامگین خطا در کل داده‌های تست برای پارامتر ade، %6.01 و برای پارامتر fde، %9.98 نسبت به روش قبلی بهبود پیدا کرده‌است