Machine Learning Solutions for the Task of Pedestrian Trajectory Prediction – A Systematic Literature Review

Abstract

This study aims to provide an in-depth overview of existing methodologies, trends, and challenges in human trajectory prediction. It analyzes diverse literature to examine various approaches involved in machine learning techniques. This study categorizes these methodologies based on their foundational principles, delving into their strengths and limitations. Particular emphasis is placed on recent advances in machine learning mixed with psychological and environmental aspects for human trajectory prediction. This study finds three significant categories: cognitive approaches, pattern-based approaches, and probabilistic approaches. These are then further divided into different sub-categories, thus forming a taxonomy. Categories at each level of the hierarchical taxonomy are compared, with information about their pros, cons, and where each category should be used. Furthermore, the research papers studied during this survey were split into categories based on their methods. In conclusion, it was found that the “Behavioral Features Method” category performed the best among the other categories. Thus, more research should be done on combining machine learning methods with behavioral features. Selle uuringu eesmärk on anda põhjalik ülevaade olemasolevatest metoodikatest, suundumustest ja väljakutsetest inimese trajektoori ennustamisel. Selles analüüsitakse mitmekesist kirjandust, et uurida erinevaid masinõppetehnikatega seotud lähenemisviise. Selles uuringus liigitatakse need metoodikad nende aluspõhimõtete alusel, süvenedes nende tugevatesse külgedesse ja piirangutesse. Inimese trajektoori ennustamisel pööratakse erilist rõhku hiljutistele edusammudele masinõppes, mis on segatud psühholoogiliste ja keskkonnaaspektidega. Selles uuringus leitakse kolm olulist kategooriat: kognitiivsed lähenemisviisid, mustripõhised lähenemisviisid ja tõenäosuslikud lähenemisviisid. Seejärel jagatakse need erinevatesse alamkategooriatesse, moodustades nii taksonoomia. Hierarhilise taksonoomia iga taseme kategooriaid võrreldakse koos teabega nende plusside ja miinuste kohta ning kus iga kategooriat tuleks kasutada. Lisaks jagati selle uuringu käigus uuritud uurimistööd kasutatud meetodite alusel kategooriatesse. Kokkuvõttes selgus, et kategooria „Käitumistunnuste meetod“ toimis teiste kategooriate seas kõige paremini. Seega tuleks rohkem uurida masinõppemeetodite kombineerimist käitumisomadustega.