Incremental Learning for Motion Prediction of Pedestrians and Vehicles

• Auteur / Autrice : Alejandro Dizan Vasquez Govea
• Direction : Christian Laugier, Thierry Fraichard
• Type : Thèse de doctorat
• Discipline(s) : Imagerie, vision, robotique
• Date : Soutenance en 2007
• Etablissement(s) : Grenoble INPG

Mots clés

Mots clés contrôlés

Statistique bayésienne

Markov, Processus de

Circulation, Technique de la

Circulation -- Estimation

Modèles mathématiques

Circulation urbaine

Mots clés libres

Prediction de mouvements

Résumé

Le thème principal de cette thèse est la prédiction des mouvements. Ce thème est traité en partant de l'hypothèse que les piétons et les véhicules ne déplacent pas au hasard, mais ils suivent des « comportements typiques» qui peuvent être appris et utilisés ensuite dans une phase de prédiction. L'approche proposée aborde trois questions fondamentales: Modélisation: Ce travail se base en l'utilisation d'un modèle probabiliste, les modèles cachés de Markov, pour représenter les comportements typiques. Apprentissage: La thèse propose une extension aux modèles cachés de Markov qui permet d'apprendre la structure et les paramètres du modèle de façon incrémentale. Prédiction: La prédiction utilise l'inférence bayésienne exacte. Grâce aux propriétés de la structure apprise, la complexité de l'inférence est linéaire par rapport au nombre d'états.

The main subject of this thesis is motion prediction. The problem is studied on the basis of the assumption that pedestrians and vehicles do not move randomly but follow typical "motion patterns" which may be learned and then user in a prediction phase. The approach addresses three fundamental questions: Modelling: This work is based in the utilisation of a probabilistic model, Hidden Markov Models, to represent typical motion patterns. Learning: This thesis proposes an extension to Hidden Markov Models that allows to learn the structure and parameters of the model in an incremental fashion. Prediction: Prediction is done using exact Bayesian inference. Thanks to the properties of the learned structure, the complexity of inference is linear with respect to the number of states in the model.