DD-MDN：基于扩散模型的双混合密度网络的人类轨迹预测及不确定性自校准
计算机视觉与模式识别
2026-02-13 v1 机器人学
摘要
人类轨迹预测（HTF）从过去轨迹和环境上下文预测未来人类运动，广泛应用于自动驾驶、智能监控和人机交互。虽然已有研究聚焦于精度、社交互动建模和多样性，但对不确定性建模、校准以及来自短观察周期的预测关注不足，这些对于路径规划和碰撞规避等下游任务至关重要。我们提出 DD-MDN，一种端到端概率 HTF 模型，结合高位置精度、校准不确定性和对短观察的鲁棒性。它采用少量采样扩散骨干网络和双混合密度网络，学习自校准的居住区域和概率排序锚点路径，无需预定义锚点或终点，从中推导出多样化轨迹假设。在 ETH/UCY、SDD、inD 和 IMPTC 数据集上实验表明，DD-MDN 实现了最先进的精度、短观察鲁棒性和可靠不确定性建模。代码已公开：https://github.com/kav-institute/ddmdn。
引用
@article{arxiv.2602.11214,
title = {DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration},
author = {Manuel Hetzel and Kerim Turacan and Hannes Reichert and Konrad Doll and Bernhard Sick},
journal= {arXiv preprint arXiv:2602.11214},
year = {2026}
}