NCLTP: Non-Contrastive Learning for Trajectory Prediction
Author
Boelskifte, Søren Hjorth
Term
4. term
Education
Publication year
2023
Submitted on
2023-06-16
Pages
10
Abstract
At forudsige, hvor fodgængere og biler bevæger sig hen, er afgørende for autonome køretøjer og mobile robotter. Mange førende metoder bruger kontrastiv læring, som ofte kræver menneskeligt mærkede oplysninger om personers handlinger (f.eks. om en person går eller står stille). Sådanne labels er dyre og tidskrævende at lave. Denne afhandling præsenterer en ikke-kontrastiv tilgang, der opnår konkurrencedygtige resultater uden menneskelige annotationer. I stedet for at sammenligne handlingslabels lærer modellen af flere augmenterede versioner af de samme data, så den udvikler lignende interne repræsentationer. Metoden evalueres på både førstepersons- (FPV) datasæt fra kameraer på køretøjer eller robotter og fugleperspektiv- (BEV) datasæt med top-down scener. På tværs af disse opsætninger præsterer tilgangen konkurrencedygtigt i forhold til state-of-the-art metoder, også dem der bruger mærkede data. Resultaterne mindsker behovet for manuel labeling og giver et udgangspunkt for videre forskning i forudsigelse af bevægelsesbaner.
Predicting where pedestrians and cars will move next is crucial for autonomous vehicles and mobile robots. Many leading methods use contrastive learning, which often relies on human-labeled action information (such as whether a person is walking or standing). Creating these labels is costly and time-consuming. This thesis presents a non-contrastive approach that achieves competitive performance without human annotations. Instead of comparing action labels, the model learns from multiple augmented versions of the same data, encouraging similar internal representations. We evaluate the method on both first-person view (FPV) datasets (from cameras on vehicles or robots) and bird’s-eye view (BEV) datasets (top-down scenes). Across these settings, the approach performs competitively with state-of-the-art methods, including those that use labeled annotations. The findings reduce reliance on manual labeling and offer a foundation for further research on trajectory prediction.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Documents