Human trajectories prediction is a popular research topic in the literature. The applications are many and range from robotics and automotive up to the management of crowds in the case of a pandemic, a very current topic at the time of writing this thesis. An interesting domain of application is the retail environment: being able to predict the trajectories of a customer inside any store makes it possible to optimize the positioning of products and the creation of marketing actions aimed at a certain target. The possibility of having a realistic model of the behavior of the average customer (or of a certain category of customers) has infinite potential from an economic and strategic planning point of view. State-of-the-art approaches are mainly based on GAN or LSTM, and most of these methods do not model the client's behavior in relation to the surrounding environment but only generate acceptable and realistic trajectories. Another limitation is that these methodologies are not task-oriented, i.e. no goal is implied to motivate the person's movements. It is therefore of interest to look at this point of view and it follows the search for an appropriate methodology, such as Imitation Learning, the subject of this thesis.
La predizione di traiettorie umane è un argomento di ricerca molto diffuso in ambiente accademico. Le applicazioni sono moltissime partendo dalla robotica e passando dal settore automotive fino ad arrivare anche alla gestione di sovraffollamenti in caso di pandemia, argomento molto attuale nel momento in cui questa tesi viene redatta. Un campo altresì interessante di applicazione è quello del retail: poter predire le traiettorie di un cliente all'interno di un qualsiasi negozio rende possibile ottimizzare il posizionamento dei prodotti e la creazione di azioni di marketing mirate ad un certo target. La possibilità di avere un modello realistico del comportamento del cliente medio (o di una certa categoria di clienti) ha potenzialità infinite dal punto di vista economico e di pianificazione delle strategie. Gli approcci allo stato dell'arte sono basati principalmente sull'uso di GAN o LSTM e la maggior parte di questi metodi non modellano il comportamento del cliente in relazione all'ambiente circostante ma si limitano a generare traiettorie accettabili e realistiche. Un'altra limitazione è il fatto che tali metodologie non sono task-oriented, ossia non viene sottinteso un obiettivo che motiva gli spostamenti della persona. È d'interesse quindi guardare anche a questo punto di vista e ne consegue la ricerca di una metodologia adeguata, quale può essere l'Imitation Learning, oggetto di questa tesi.
Generative Adversarial Imitation Learning per la predizione di traiettorie umane in ambito Retail
MANCO, DAVIDE
2019/2020
Abstract
Human trajectories prediction is a popular research topic in the literature. The applications are many and range from robotics and automotive up to the management of crowds in the case of a pandemic, a very current topic at the time of writing this thesis. An interesting domain of application is the retail environment: being able to predict the trajectories of a customer inside any store makes it possible to optimize the positioning of products and the creation of marketing actions aimed at a certain target. The possibility of having a realistic model of the behavior of the average customer (or of a certain category of customers) has infinite potential from an economic and strategic planning point of view. State-of-the-art approaches are mainly based on GAN or LSTM, and most of these methods do not model the client's behavior in relation to the surrounding environment but only generate acceptable and realistic trajectories. Another limitation is that these methodologies are not task-oriented, i.e. no goal is implied to motivate the person's movements. It is therefore of interest to look at this point of view and it follows the search for an appropriate methodology, such as Imitation Learning, the subject of this thesis.File | Dimensione | Formato | |
---|---|---|---|
Tesi_Finale_Davide_Manco.pdf
Open Access dal 20/02/2023
Dimensione
14.59 MB
Formato
Adobe PDF
|
14.59 MB | Adobe PDF | Visualizza/Apri |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.12075/4423