DECAMP：面向场景一致的多智能体运动预测的解耦上下文感知预训练
机器人学
2025-09-18 v2 多智能体系统
摘要
轨迹预测是自动驾驶的关键组成部分，对于确保道路安全和效率至关重要。然而，传统方法常常面临标注数据稀缺的困境，并且在多智能体预测场景中表现出次优性能。为了应对这些挑战，我们引入了一种用于多智能体运动预测的解耦上下文感知预训练框架，名为DECAMP。与现有将表示学习与前置任务纠缠在一起的方法不同，我们的框架将行为模式学习与潜在特征重建解耦，优先考虑可解释的动力学，从而增强下游预测的场景表示。此外，我们的框架结合了上下文感知表示学习与协作空间-运动前置任务，这使得结构推理和意图推理能够联合优化，同时捕捉潜在的动态意图。我们在Argoverse 2基准上的实验展示了我们方法的优越性能，所取得的结果强调了其在多智能体运动预测中的有效性。据我们所知，这是首个用于自动驾驶多智能体运动预测的上下文自编码器框架。代码和模型将公开发布。
引用
@article{arxiv.2509.10426,
title = {DECAMP: Towards Scene-Consistent Multi-Agent Motion Prediction with Disentangled Context-Aware Pre-Training},
author = {Jianxin Shi and Zengqi Peng and Xiaolong Chen and Tianyu Wo and Jun Ma},
journal= {arXiv preprint arXiv:2509.10426},
year = {2025}
}