CCF：用于行人轨迹预测的交叉校正框架

准确预测未来行人轨迹在各个领域都至关重要。由于未来行人轨迹的不确定性，学习多智能体场景中复杂的时空表示非常重要。为此，我们提出了一种新颖的交叉校正框架（CCF），以更好地学习行人轨迹的时空表示。我们的框架由两个轨迹预测模型（称为子网）组成，它们共享相同的架构，并通过交叉校正损失和轨迹预测损失进行训练。交叉校正利用两个子网的学习，通过相互校正机制使它们能够优化其底层轨迹表示。具体来说，我们使用交叉校正损失来学习如何通过子网间交互相互校正。为了诱导子网间的多样化学习，我们使用由神经网络生成的变换后的观测轨迹作为其中一个子网的输入，而原始观测轨迹作为另一个子网的输入。我们为每个子网采用基于Transformer的编码器-解码器架构，以捕捉行人的运动和社会交互。Transformer的编码器捕捉轨迹中的运动模式，而解码器关注与邻居的行人交互。每个子网执行预测未来轨迹的主要任务（回归任务）以及分类预测轨迹的辅助任务（分类任务）。在真实世界基准数据集（如ETH-UCY和SDD）上的大量实验证明了我们提出的框架CCF在精确预测行人未来轨迹方面的有效性。我们还进行了多项消融实验，以证明我们方法中使用的各种模块和损失函数的有效性。