面向避碰的拥堵感知多智能体轨迹预测

预测智能体未来轨迹在现代 AI 系统中起着关键作用,但由于多智能体系统中表现出的复杂交互而极具挑战,尤其在涉及避碰时。为应对这一挑战,我们提出显式地将拥堵模式作为上下文线索进行学习,并通过利用三种不同思想流派的优势设计了一种新颖的“感知—学习—推理—预测”框架,从而带来以下可取益处:(i) 通过潜在因子将拥堵表示为上下文线索,涵盖了基于物理的方法中常用的社会力概念,并隐式地将距离编码为代价,类似于基于规划的方法对环境建模的方式。(ii) 通过将学习阶段分解为两个阶段,“学生”可在生成无碰撞轨迹的同时从“教师”处学习上下文线索。为使框架在计算上可行,我们将其表述为一个优化问题,并利用变分参数化推导出一个上界。在实验中,我们证明所提模型能够在专为避碰评估设计的合成数据集上生成无碰撞轨迹预测,并在常用的 NGSIM US-101 高速公路数据集上保持竞争力。