EigenTrajectory：用于多模态轨迹预测的低秩描述子

捕捉高维社会交互与可行未来对于轨迹预测至关重要。为应对这一复杂特性，已有若干尝试通过 Bézier 曲线与 B 样条函数等参数曲线拟合来降低输出变量的维数。然而，这些源于计算机图形学领域的函数并不适于刻画社会可接受的人类动力学。本文提出 EigenTrajectory（$\mathbb{ET}$），一种利用新颖轨迹描述子在紧凑空间（此处称为 $\mathbb{ET}$ 空间）中表征行人运动以替代欧几里得空间的轨迹预测方法。我们首先通过低秩近似降低轨迹描述子的复杂度。将行人的历史路径变换为由时空主成分表示的 $\mathbb{ET}$ 空间，并输入现有的轨迹预测模型。模型的输入与输出以及社会交互均在相应的 $\mathbb{ET}$ 空间中聚集与聚合。最后，我们提出一种基于轨迹锚点的细化方法，以覆盖所提 $\mathbb{ET}$ 空间中的所有可能未来。大量实验表明，我们的 EigenTrajectory 预测器能显著提升现有轨迹预测模型在公开基准上的预测精度与可靠性，表明所提描述子适于表征行人行为。代码已公开于 https://github.com/inhwanbae/EigenTrajectory 。