准确的人类轨迹预测对于诸如Au sostos evers,机器人技术和监视系统等应用至关重要。然而,现有模型通常无法完全利用非语言社会提示在浏览空间时潜意识的人类信息。为了解决这个问题,我们介绍了社会转变,这是一个基于通用变压器的模型,利用多样化和众多的视觉提示来预测人类行为。我们将提示的想法从自然语言处理(NLP)转化为人类轨迹预测的任务,其中提示可以是地面上的X-y坐标序列,图像平面中的边界框或2d或3d中的身体姿势关键点。这又增加了轨迹数据,从而导致人类轨迹预测增强。使用掩蔽技术,我们的模型通过基于可用的视觉提示捕获代理之间的空间相互作用来表现灵活性和适应性。我们深入研究了使用2D与3D姿势的优点,以及一组有限的姿势。另外,我们研究了空间和时间注意图,以确定序列中哪些关键点和时间步骤对于优化人类轨迹预测至关重要。我们的方法在多个数据集上得到了验证,包括JTA,JRDB,行人和骑自行车的人在道路交通和Eth-Cucy中进行验证。该代码公开可用:https://github.com/vita-epfl/social-transmotion。
植根于具有文化相关教学的理论基础(Ladson Billings,G.,1995),与文化多样性和多元文化课程相关的早期工作(Gay,G.,G.,1996&1999),后来侧重于文化持续的教育学(Paris,D。,D.,D.&Paris,D.&Alim,s。成为一种策略,以使知识的内容,个人发展和人性化表达更深入地联系。通过抛开统治世界的看法,并专注于所有学生固有的文化属性,信息和知识从多个故事中流出,而不是节俭的尝试从单个故事中限制的狭窄参数寻求知识和启蒙(TED Talk中的狭窄参数)(单个故事的危险,“单个故事的危险”,Chimamanda Ngozi Adichie)。