社交GAN

这是论文的代码实现。

社交GAN：基于生成对抗网络的社会可接受轨迹
阿格里姆·古普塔, 贾斯汀·约翰逊, 李飞飞, 西尔维奥·萨瓦雷斯, 亚历山大·阿拉伊
发表于 CVPR 2018

人类运动具有人际交互性、多模态特性，并且遵循社会规范。在本文中，我们结合序列预测和生成对抗网络的方法来解决这一问题：一个循环的序列到序列模型会观察运动历史并预测未来行为，同时使用一种新颖的池化机制来聚合跨个体的信息。

下面展示了我们的模型在复杂场景中生成的社会可接受预测示例。每个人用不同的颜色表示。观测到的轨迹用点表示，预测的轨迹用星号表示。

如果您在研究中使用了这段代码，请引用：

@inproceedings{gupta2018social,
  title={Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks},
  author={Gupta, Agrim and Johnson, Justin and Fei-Fei, Li and Savarese, Silvio and Alahi, Alexandre},
  booktitle={IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  number={CONF},
  year={2018}
}

模型

我们的模型由三个关键组件组成：生成器（G）、池化模块（PM）和判别器（D）。生成器基于编码器-解码器框架，通过池化模块将编码器和解码器的隐藏状态连接起来。生成器以场景中所有人的轨迹作为输入，输出相应的预测轨迹。判别器则接收包含输入轨迹和未来预测的完整序列，并将其分类为“真实”或“虚假”。

环境搭建

所有代码均在 Ubuntu 16.04 上使用 Python 3.5 和 PyTorch 0.4 开发并测试。

您可以按照以下步骤设置虚拟环境来运行代码：

python3 -m venv env               # 创建虚拟环境
source env/bin/activate           # 激活虚拟环境
pip install -r requirements.txt   # 安装依赖项
echo $PWD > env/lib/python3.5/site-packages/sgan.pth  # 将当前目录添加到 Python 路径
# 进行一段时间的工作 ...
deactivate  # 退出虚拟环境

预训练模型

您可以通过运行脚本 bash scripts/download_models.sh 下载预训练模型。这将下载以下模型：

• sgan-models/<dataset_name>_<pred_len>.pt：包含针对所有五个数据集的10个预训练模型。这些模型对应于表1中的 SGAN-20V-20。
• sgan-p-models/<dataset_name>_<pred_len>.pt：包含针对所有五个数据集的10个预训练模型。这些模型对应于表1中的 SGAN-20VP-20。

有关结果，请参阅 模型库。

模型运行

您可以使用脚本 scripts/evaluate_model.py 轻松地在任何数据集上运行任意一个预训练模型。例如，要复现表1中所有数据集关于 SGAN-20V-20 的结果，可以执行以下命令：

python scripts/evaluate_model.py \
  --model_path models/sgan-models

训练新模型

训练新模型的说明可以在这里找到。

Social GAN 快速上手指南

Social GAN 是一个基于生成对抗网络（GAN）的行人轨迹预测模型，能够生成符合社会规范的多人运动轨迹。本项目代码基于 PyTorch 开发。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Ubuntu 16.04 (推荐) 或其他 Linux 发行版
• Python 版本: Python 3.5+
• 深度学习框架: PyTorch 0.4
• 依赖管理: pip 和 venv

注意：原文基于较旧的 PyTorch 0.4 版本测试。如果您使用更新的 PyTorch 版本，可能会遇到兼容性警告，建议优先尝试在虚拟环境中复现原文环境以确保稳定性。国内用户可使用清华或阿里镜像源加速 pip 安装。

安装步骤

推荐使用虚拟环境进行隔离安装，具体步骤如下：

1. 创建并激活虚拟环境

   python3 -m venv env
   source env/bin/activate
   

2. 安装依赖包 （国内用户建议添加镜像源参数以加速下载）

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 配置 Python 路径 将当前项目目录添加到 Python 搜索路径中，以便正确导入模块：

   echo $PWD > env/lib/python3.5/site-packages/sgan.pth
   

   (注：如果您的 Python 版本不是 3.5，请将路径中的 python3.5 替换为实际版本目录，如 python3.8)

基本使用

1. 下载预训练模型

项目提供了在五个数据集上训练好的预训练模型。运行以下脚本即可自动下载：

bash scripts/download_models.sh

下载完成后，您将得到两类模型文件：

• sgan-models/: 对应论文表 1 中的 SGAN-20V-20 模型。
• sgan-p-models/: 对应论文表 1 中的 SGAN-20VP-20 模型（包含池化模块优化）。

2. 评估模型效果

使用提供的评估脚本，可以快速在数据集上运行预训练模型并复现论文结果。例如，评估 sgan-models 目录下的模型：

python scripts/evaluate_model.py \
  --model_path models/sgan-models

该命令将加载模型并在相应数据集上进行推理，输出轨迹预测评估指标。

3. 训练新模型

如需使用自定义数据或调整参数重新训练模型，请参考项目根目录下的 TRAINING.md 文档获取详细指令。