EquiDiff：一种用于轨迹预测的条件等变扩散模型
机器学习
2023-08-30 v2 机器人学
摘要
准确的轨迹预测对自动驾驶车辆的安全高效运行至关重要。深度学习的日益普及催生了众多轨迹预测方法。虽然确定性深度学习模型已被广泛使用，但深度生成模型因能从训练数据中学习数据分布并考虑轨迹不确定性而受到青睐。在本研究中，我们提出EquiDiff，一种用于预测未来车辆轨迹的深度生成模型。EquiDiff基于条件扩散模型，通过融入历史信息和随机高斯噪声生成未来轨迹。EquiDiff的骨干模型是一个SO(2)-等变Transformer，充分利用了位置坐标的几何特性。此外，我们采用循环神经网络（RNN）和图注意力网络（GAT）从历史轨迹中提取社会交互。为评估EquiDiff的性能，我们在NGSIM数据集上进行了大量实验。结果表明，EquiDiff在短期预测上优于其他基线模型，但在长期预测上误差略高。此外，我们进行了消融实验以研究EquiDiff各组件对预测精度的贡献。我们还展示了扩散模型生成过程的可视化，为预测的不确定性提供了见解。
引用
@article{arxiv.2308.06564,
title = {EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction},
author = {Kehua Chen and Xianda Chen and Zihan Yu and Meixin Zhu and Hai Yang},
journal= {arXiv preprint arXiv:2308.06564},
year = {2023}
}