探索动态上下文用于多路径轨迹预测

在真实环境中安全部署智能自主系统，准确预测交通场景中不同智能体的未来位置至关重要。然而，由于目标智能体的行为受到其他智能体的动态影响，且智能体可能采取不止一条社会可行的路径，这仍然是一项挑战。本文提出一种新颖的框架，称为动态上下文编码网络（DCENet）。在我们的框架中，首先利用自注意力架构探索智能体之间的空间上下文。然后，训练双流编码器，以各自观测到的轨迹和提取的动态空间上下文作为输入，学习步与步之间的时间上下文。空间-时间上下文通过条件变分自编码器（CVAE）模块编码到潜在空间中。最后，通过从潜在空间中重复采样，基于学到的空间-时间上下文为每位智能体预测一组未来轨迹。DCENet在轨迹预测最具挑战性且广受欢迎的基准Trajnet上进行了评估，并报告了新的最先进性能。它还在混合交通路口基准inD上展现出优越性能。我们进行了一系列消融实验以验证各提出模块的有效性。我们的代码可在 https://github.com/wtliao/DCENet 获取。