Ihmisten liikeratojen ennustaminen väkijoukossa syväoppimisen avulla

Ihmisten liikkeiden ennustaminen on viime vuosina noussut todella suosituksi tutkimuskohteeksi, johtuen autonomisten järjestelmien ja syväoppimismenetelmien kehityksestä. Tässä työssä käsitellään ihmisten liikeratojen ennustamisen kokonaisuus. Tämä työ pyrkii vastaamaan kysymykseen, miten voimme ennustaa ihmisten seuraavat liikeradat tarkasti, kun tiedossa ovat menneet havainnot heidän liikeradoistaan sekä samassa ympäristössä olevien muiden ihmisten liikeradat. Tämän lisäksi pohditaan, mitkä tekijät vaikuttavat ennustamisen onnistumiseen ja miten ennustuksia voidaan arvioida. Käytännön tutkimuksena tehdään ennustuksia liikeradoista käyttäen kahta erilaista datajoukkoa. Toinen on kerättyä videokuvadataa lounasravintolan aulasta ja toinen on simuloitu datajoukko ihmisten liikeradoista. Työ esittelee datajoukkojen muuttamisen liikeradan ennustamiseen tarkoitettujen mallien ymmärtämään muotoon sekä mallien tuottamat ennustukset. Lisäksi ennustusten onnistumista arvioidaan erilaisilla mittareilla. Työssä huomattiin liikeratojen ennustamisen olevan monimutkainen tehtävä. Nykyisillä metodeilla ennustaminen onnistuu muutamien sekuntien päähän hyvällä tarkkuudella, mutta pidempiaikainen ennustaminen sekä runsas ihmismäärä tuottavat malleille vaikeuksia. Lisäksi huomattiin, että on tärkeää käyttää mallien arviointiin erilaisia datajoukkoja ja mittareita paremman kokonaiskuvan saamiseksi.Predicting human movements has become a popular research topic in recent years. This is due to the development of autonomous systems and deep learning methods. This work addressed the problem with the prediction of human trajectories in crowded spaces. Work seeks to answer whether we can accurately predict the following trajectories of humans, once the observations of their past trajectories and the trajectories of other people in the same environment are known. In addition, the paper considers what factors affect the success of predicting and how predictions can be evaluated. As a practical study, the predictions of trajectories are made using two different sets of data. One is a collected video from a lunch restaurant and the other is a simulated data of people’s natural trajectories. The work presents the transformation of data into a format understood by models for trajectory prediction and the predictions produced by these models. In addition, the success of the predictions is assessed by various indicators. The study found that the prediction of trajectories is a complex task. With current methods, prediction a few seconds into the future is possible with good accuracy. Longer-term prediction and many people in the same environment create difficulties for the models. In addition, it was noted that it is important to use different data sets and metrics to evaluate the models to get a better overall picture