C$^{2}$INet：基于先验感知的持续因果干预实现增量轨迹预测
机器学习
2024-11-20 v1 计算机视觉与模式识别
摘要
复杂场景下的多智能体轨迹预测对于自动驾驶等应用至关重要。然而，现有方法往往忽略环境偏差，导致泛化能力差。此外，硬件限制限制了跨环境大规模数据的使用，而持续学习设置加剧了灾难性遗忘的挑战。为了解决这些问题，我们提出了持续因果干预（CINet）方法，用于在持续学习框架内进行可泛化的多智能体轨迹预测。利用变分推断，我们将环境相关先验与潜在空间中混淆因子的后验估计量对齐，从而干预影响轨迹表示的因果关系。此外，我们使用记忆队列存储跨各种场景的最优变分先验，确保在增量任务训练期间持续去偏。所提出的 CINet 增强了对不同任务的适应性，同时保留了先前的任务信息以防止灾难性遗忘。它还结合了剪枝策略以缓解过拟合。在三个真实和合成的复杂数据集上与最先进方法的对比评估表明，我们提出的方法始终取得可靠的预测性能，有效缓解了不同场景独有的混淆因子。这凸显了我们的方法在实际应用中的实用价值。
引用
@article{arxiv.2411.12313,
title = {C$^{2}$INet: Realizing Incremental Trajectory Prediction with Prior-Aware Continual Causal Intervention},
author = {Xiaohe Li and Feilong Huang and Zide Fan and Fangli Mou and Leilei Lin and Yingyan Hou and Lijie Wen},
journal= {arXiv preprint arXiv:2411.12313},
year = {2024}
}