Encore：通过有偏自我预演调节轨迹预测
计算机视觉与模式识别
2026-05-13 v1
摘要
学习并表征智能体的主观性已成为轨迹预测任务中一个具有挑战性但至关重要的问题。这种主观性不仅呈现特定的时空结构，而且对所有交互参与者而言是各向异性的。尽管已有大量努力，但显式地学习和预测这些主观性，更不用说通过特定自我的主观性进一步调节模型的预测，仍然十分困难。受心理学中的反事实思维及相关戏剧概念的启发，我们将未来轨迹中的这种主观性解释为从预演到返场的连续过程。在预演阶段，所提出的自我预测器专注于每个自我智能体如何从短期观察中学习推导并引导一组显式有偏的预演轨迹，用于场景中的所有参与者。然后，这些预演轨迹作为即时控制信号来调节最终预测，为预测网络提供直接而独特的自我偏差，以模拟智能体的各种主观性。跨数据集的实验不仅证明了所提出的Encore轨迹预测模型性能的持续提升，还提供了关于主观性作为有偏自我预演的清晰可解释性。
引用
@article{arxiv.2605.11463,
title = {Encore: Conditioning Trajectory Forecasting via Biased Ego Rehearsals},
author = {Conghao Wong and Ziqian Zou and Xinge You},
journal= {arXiv preprint arXiv:2605.11463},
year = {2026}
}