GDTS：面向多模态行人轨迹预测的目标引导扩散模型与树采样
计算机视觉与模式识别
2025-03-04 v3
摘要
准确预测行人轨迹对于提升自动驾驶安全性至关重要。然而，由于人体运动固有的随机性，该任务通常十分困难，这自然要求预测器生成多模态预测。已有工作利用各种生成方法（如GAN和VAE）进行行人轨迹预测。尽管如此，这些方法可能存在模式崩溃和结果质量较低的问题。去噪扩散概率模型（DDPM）因其简单的训练过程和强大的重建能力，近期被应用于轨迹预测。然而，当前基于扩散的方法未充分利用输入信息，且通常需要大量去噪迭代，导致推理时间长或需额外网络进行初始化。为应对这些挑战并推动扩散模型在多模态轨迹预测中的应用，我们提出GDTS，一种新颖的用于多模态轨迹预测的目标引导扩散模型与树采样（Goal-Guided Diffusion Model with Tree Sampling）。考虑到人体运动的“目标驱动”特性，GDTS利用目标估计来引导扩散网络的生成。我们提出了一种两阶段树采样算法，其利用公共特征来减少推理时间并提高多模态预测的精度。实验结果表明，我们提出的框架在公开数据集上以实时推理速度取得了可比的最先进性能。
引用
@article{arxiv.2311.14922,
title = {GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction},
author = {Ge Sun and Sheng Wang and Lei Zhu and Ming Liu and Jun Ma},
journal= {arXiv preprint arXiv:2311.14922},
year = {2025}
}