通过自监督路径点噪声预测增强轨迹预测

轨迹预测是一项重要任务，涉及对交通参与者不确定性的建模，以在给定观测轨迹序列的情况下预测未来轨迹。然而，当前方法局限于预设的数据流形，假设轨迹严格遵循这些流形，导致预测过于简化。为此，我们提出了一种名为 SSWNP（自监督路径点噪声预测，Self-Supervised Waypoint Noise Prediction）的新方法。在我们的方法中，首先在路径点的空间域上创建过去观测轨迹的干净视图和噪声增强视图。然后，除了轨迹预测任务外，我们迫使轨迹预测模型在这两个视图的预测之间保持空间一致性。引入噪声增强视图减轻了模型对数据流形的狭隘依赖，使其能够学习更合理、更多样的表征。我们还将预测过去观测轨迹这两个视图中的噪声作为辅助自监督任务，以增强模型对底层表征和未来预测的理解。经验证据表明，与基线方法相比，将 SSWNP 纳入模型学习过程可显著提升性能，即使在噪声环境中也是如此。我们的方法可以补充现有的轨迹预测方法。为了展示我们方法的有效性，我们在 NBA Sports VU、ETH-UCY 和 TrajNet++ 三个数据集上进行了广泛实验，实验结果突出了在轨迹预测任务中取得的显著改进。