超越分布内性能：轨迹预测鲁棒性的跨数据集研究

本文研究了三种在分布内性能相当但模型设计不同的数据驱动轨迹预测模型的分布外泛化能力。我们通过在阿尔沃斯2数据集上训练，在Waymo Open Motion数据集上测试，反之亦然，探讨了归纳偏置、训练数据规模和数据增强策略的影响。我们发现，最小且具有最高归纳偏置的模型，在训练较小的A2数据集、测试大型WO数据集时，能否在不同数据增强策略下实现最佳的分布外泛化。反之，当在较大的WO数据集上训练、在较小的A2数据集上测试时，我们发现所有模型的泛化能力均较差，尽管具有最高归纳偏置的模型仍显示出最佳的泛化能力。我们讨论了这一意想不到的现象的可能原因，并就轨迹预测模型与基准测试的设计与测试提出了结论。