Human Trajectory Prediction for UAV Navigation in Dynamic Environments

국문 초록 (Abstract)

이 논문은 인간이 거주하는 환경에서 UAV 내비게이션을 위한 자세 강화 인간 궤적 예측을 제안합니다. 제안된 방법은 역사적인 움직임 경향이 불충분하거나 오해의 소지가 있는 인간 장애물의 갑작스러운 출현이나 갑작스러운 직교 회전 시 전통적인 내비게이션 프레임워크에서 동작 이력 기반 궤적 예측의 한계를 다룹니다. RGB-D 카메라 기반 인간 자세 추정에서 순간적인 의미 방향을 추출하여 이전의 움직임 이력과 독립적인 방향 의도 정보를 제공합니다. 이 의미적 단서는 Markov decision process 사용한 의도 예측 모델과 융합되어 빠른 행동 변화 하에서 인간의 궤적을 예측합니다. 제안된 방법은 광범위한 실험과 시뮬레이션을 통해 검증되었습니다. 결과는 제안된 방법이 인간이 거주하는 환경에서 궤적 예측과 내비게이션 안전성을 향상시킨다는 것을 보여줍니다.

다국어 초록 (Multilingual Abstract)

This thesis proposes pose-enhanced human trajectory prediction for UAV navigation in human-populated environments. The proposed method addresses the limitations of motion-history-based trajectory prediction in conventional navigation frameworks during sudden appearances or abrupt orthogonal turns of human obstacles, where historical motion trends are insufficient or misleading. An instantaneous semantic heading is extracted from RGB-D camera-based human pose estimation, providing directional intent information independent of previous motion history. This semantic cue is fused with an intent prediction model utilizing Markov Decision Process to forecast human trajectories under rapid behavioral shifts. The proposed method is validated through extensive experiments and simulations. The results demonstrate that the proposed method improves trajectory prediction and navigation safety in human-populated environments.

목차 (Table of Contents)

• Contents
• [List ofFigures]i
• [List ofTables]i
• [Abbreviations] ii
• Chapter 1:Introduction 1
• 1.1 AutonomousUAVNavigationinDynamicIndoorEnvironments 1
• 1.2 ChallengesinHuman-AwareObstacleAvoidance. 2
• 1.3 Pose-IntegratedIntentPredictionforUAVNavigation 4
• 1.4 ResearchContributions. 5
• 1.5 ThesisOrganization. 5
• Chapter 2:RelatedWorks 7
• 2.1 DynamicEnvironmentPerception. 7
• 2.1.1 Image-BasedApproach. 7
• 2.1.2 PointCloud-BasedApproach 8
• 2.1.3 EnsembleApproach. 9
• 2.2 TrajectoryPrediction 9
• Chapter 3:Methodology 11
• 3.1 ProposedFramework. 11
• 3.2 DynamicObstaclePerception 13
• 3.2.1 U-depthDetector: 13
• 3.2.2 DBSCANDetector:. 14
• 3.2.3 YOLO-PoseDetector: 15
• 3.2.4 EnsembleDetection:. 16
• 3.2.5 SemanticHeadingEstimation:. 17
• 3.3 ObjectTracking:. 20
• 3.4 IntentandTrajectoryPrediction 21
• 3.4.1 IntentPrediction:. 22
• 3.4.2 TrajectoryPrediction: 25
• Chapter 4:ExperimentandResults 27
• 4.1 HandheldExperiments:. 28
• 4.2 NavigationExperiments:. 31
• Chapter 5:ConclusionandFutureWorks 35
• 5.1 Conclusion 35
• 5.2 FutureWorks. 37
• References 39