Modélisation comportementale selon différentes échelles temporelles pour des trajectoires issues de scènes encombrées: Approche bayésienne non paramétrique par HDP

摘要

This article addresses the problem of behavioral modeling based on trajectories extracted from crowded scenes, especially in the situation of limited knowledge on the data. We propose to use a nonparametric Bayesian approach - the MLC-HDP defined by D. Wulsin - to discover and model reoccurring behaviors at different time scales. Thus, the exploratory analysis of trajectories is performed by an unsupervised classification, simultaneously over different semantic levels, with the number of clusters for each level not defined a priori but estimated from the data. Firstly, we validated our approach using a pseudo-ground truth generated using a multi-agent system which is able to simulate, with relatively low a priori, distinct behaviors and associated trajectories. Secondly, we tested our approach on real honeybee trajectories.%Cet article s'intéresse au problème de la modélisation comportementale à partir des trajectoires issues de scènes encombrées, en particulier lorsque la connaissance métier sur les données est limitée. Nous proposons d'utiliser une approche bayésienne non paramétrique -le MLC-HDP défini par D. Wulsin - pour découvrir et modéliser des comportements récurrents à différentes échelles temporelles. Ainsi, l'analyse exploratoire des trajectoires s'effectue par classification non supervisée, simultanément à des niveaux sémantiques différents et où le nombre de clusters pour chaque niveau n 'est pas défini a priori mais est estimé à partir des données. Dans un premier temps, notre approche est validée à l'aide d'une pseudo-vérité terrain générée à partir d'un système multi-agent. Ce dernier permet de simuler, avec relativement peu d'à priori, des comportements distincts et des trajectoires associées. Dans un deuxième temps, nous testons notre approche sur des données de trajectoires réelles d'abeilles.