AdapTraj：一种用于多智能体轨迹预测的多源域泛化框架
人工智能
2024-10-21 v1
摘要
多智能体轨迹预测作为动态系统中建模物体复杂交互的关键任务，近年来引起了广泛的研究关注。尽管取得了令人瞩目的进展，但现有研究均遵循模型学习期间观察到的数据分布与实际部署中遇到的数据分布相匹配的假设。然而，这一假设在实践中往往不成立，因为部署环境的移动模式可能存在固有的分布偏移，从而导致域泛化能力差和性能下降。因此，利用来自多个源域的轨迹来缓解多智能体轨迹预测任务中的此类差异显得颇具吸引力。然而，该任务中多源域泛化的发展面临两个显著问题：(1) 负迁移；(2) 对外部因素建模不足。为解决这些问题，我们提出了一种新的因果公式，以显式建模四种类型的特征：焦点智能体和邻近智能体的域不变特征与域特定特征。基于这一新公式，我们提出了 AdapTraj，这是一种专为多智能体轨迹预测定制的多源域泛化框架。AdapTraj 作为一个即插即用模块，可适配多种模型。在四个不同域数据集上的大量实验表明，AdapTraj 始终大幅优于其他基线方法。
引用
@article{arxiv.2312.14394,
title = {AdapTraj: A Multi-Source Domain Generalization Framework for Multi-Agent Trajectory Prediction},
author = {Tangwen Qian and Yile Chen and Gao Cong and Yongjun Xu and Fei Wang},
journal= {arXiv preprint arXiv:2312.14394},
year = {2024}
}
备注
Accepted by ICDE 2024