利用行列式点过程实现多样化轨迹预测

预测一个智能体（如行人）一组可能但多样的将来行为（如未来轨迹）的能力，对于安全关键的感知系统（如自动驾驶车辆）至关重要。特别地，系统生成的一组可能未来行为必须是多样的，以涵盖所有可能的结果从而采取必要的安全预防措施。仅维持一组最可能的未来结果是不够的，因为该组可能仅包含单一结果的扰动。虽然诸如变分自编码器（VAE）等生成模型已被证明是学习未来轨迹分布的有力工具，但从所学隐式似然模型中随机抽样的样本可能并不多样——似然模型源于训练数据分布，样本将集中在具有最多数据的主模态周围。在本工作中，我们提出学习一个多样性采样函数（DSF），它生成一组多样且可能的未来轨迹。DSF 将预测上下文特征映射到一组隐码，这些隐码可由生成模型（如 VAE）解码为一组多样轨迹样本。具体而言，识别多样样本集的过程被表述为 DSF 的参数估计。为学习 DSF 的参数，轨迹样本的多样性由基于行列式点过程（DPP）的多样性损失来评估。对 DSF 参数执行梯度下降，进而移动样本集的隐码以寻找最优的多样且可能的轨迹集。我们的方法是将 DPP 应用于优化连续空间中一组条目（轨迹）的新颖方法。我们在低维 2D 轨迹数据和高维人体运动数据上均展示了我们方法所生成轨迹的多样性。