human-move-lstm — 사람 이동 궤적 멀티모달 예측기

구조

• 인코더: 경량 LSTM (입력 2차원 (x, z), 은닉 64)
• 헤드: MLP 혼합 헤드(MTP, Multiple-Trajectory Prediction) → K=3개 미래 모드
• 각 모드 = 미래 경로 (PRED=12스텝 × (x,z)) + 모드 가중치 w + 스텝별 불확실성 σ
• 정규화: 에이전트 중심(마지막 관측을 원점, 진행 방향을 +x로 회전) → 예측 후 원좌표로 역변환
• 학습 손실: best-of-K 가우시안 NLL + 모드 분류 교차엔트로피

입출력 계약

• 입력: 관측 OBS=8스텝, 각 (x, z) 좌표. 약 0.4초 간격 리샘플. 단위 = 미터(기본 스케일에서 1 scene-unit = 1 m).
• 출력: K=3개 모드 리스트. 각 { path: [[x,z]×12], w, sigma: [×12] }. 가중치 내림차순.

평가 지표

위치 오차 — ADE / FDE (전체 val 윈도우 8,646)

• ADE: 12스텝 예측 위치오차 평균(m). FDE: 12스텝째(4.8s 뒤) 최종 위치오차(m).
• 최빈 모드: 가중치 최상위 단일 모드 — 단봉 베이스라인과 직접 비교하는 대표값.
• minADE@3: K=3 모드 중 최선 — 멀티모달이 정답 갈래를 담는지(상한).
• 목표를 모르는 학습형이 등속·칼만을 크게 이기고, 목표를 아는 스테이션에 근접.

안전 recall — 정지반경 진입 예측 (R = 3.1 m)

• recall: 실제 진입 중 미리 잡은 비율(놓치면 충돌). precision: 경보 중 진짜 비율(낮으면 헛정지).
• 반응형(예측 없음)은 이 윈도우에서 recall = 0(지금 밖이라 진입을 못 봄) — 예측기의 값어치가 여기서 드러난다.
• 멀티모달 전 모드 합집합은 여러 갈래를 다 경계해 recall이 가장 높다(헛정지는 늘어남 → 운영점 τ로 조절).

재현: train/eval_traj_baselines.py·train/train_traj_predictor.py(ADE/FDE), train/eval_traj_safety.py(recall). 상세: docs/chanwoo/prediction-eval.md(ADE/FDE), docs/chanwoo/prediction-safety-eval.md(recall).

파일

사용

재현

라이선스