AMD：自适应动量与解耦对比学习框架用于鲁棒长尾轨迹预测
计算机视觉与模式识别
2025-07-08 v2
摘要
准确预测交通主体的未来轨迹是自动驾驶中的关键任务。然而，由于轨迹分布的内在不平衡，自然数据集中的尾部数据通常代表更复杂和危险的场景。现有研究通常仅依赖基础模型的预测误差，不考虑长尾轨迹模式的多样性和不确定性。我们提出一种自适应动量和解耦对比学习框架(AMD)，集成无监督和监督对比学习策略。通过利用改进的动量对比学习(MoCo-DT)和解耦对比学习(DCL)模块，我们的框架增强了模型识别稀有和复杂轨迹的能力。此外，我们设计了四种类型的轨迹随机增广方法，并引入在线迭代聚类策略，使模型能够动态更新伪标签，更好地适应长尾数据分布的变化。我们提出了三种不同方法来定义长尾轨迹，并在nuScenes和ETH/UCY数据集上进行大量比较实验。结果表明，AMD不仅在长尾轨迹预测中实现最佳性能，还在整体预测精度方面表现出色。
引用
@article{arxiv.2507.01801,
title = {AMD: Adaptive Momentum and Decoupled Contrastive Learning Framework for Robust Long-Tail Trajectory Prediction},
author = {Bin Rao and Haicheng Liao and Yanchen Guan and Chengyue Wang and Bonan Wang and Jiaxun Zhang and Zhenning Li},
journal= {arXiv preprint arXiv:2507.01801},
year = {2025}
}