一种基于图且具有伪预言机的新型轨迹预测器

动态场景中行人轨迹预测在自动驾驶汽车和社会感知机器人等众多应用中仍是一个具有挑战性的关键问题。挑战集中于捕捉行人的运动模式与社会交互，以及处理未来的不确定性。近期研究侧重于用循环神经网络建模行人运动模式，用基于池化或基于图的方法捕捉社会交互，以及通过使用随机高斯噪声作为潜变量来处理未来不确定性。然而，它们未整合可能提升预测性能的特定避障经验（OAE）。例如，行人未来轨迹总受前方他人影响。在此我们提出GTPPO（具有伪预言机的基于图轨迹预测器），一种以行人未来行为为条件的基于编码器-解码器的方法。行人运动模式由长短期记忆单元编码，其引入时间注意力以突出特定时间步。其交互由基于图的注意力机制捕捉，该机制将OAE引入图注意力的数据驱动学习过程。未来不确定性通过用信息性潜变量生成多模态输出来处理。此类变量由一种新颖的伪预言机预测器生成，其最小化历史轨迹与真实轨迹之间的知识差距。最后，GTPPO在ETH、UCY和Stanford Drone数据集上评估，结果展示了最先进的性能。此外，定性评估显示了成功处理未来突然运动变化的案例。这些发现表明GTPPO可窥见未来。