基于哈尔小波的块自回归流用于轨迹预测

行人等轨迹的预测对自主智能体的性能至关重要。虽然先前工作已利用GAN和VAE等条件生成模型来学习可能的未来轨迹，但准确建模这些多模态分布的依赖结构，尤其在长时间跨度上，仍然具有挑战性。基于归一化流的生成模型可以建模复杂分布并支持精确推断。其中包括具有分裂耦合可逆变换的变体，与自回归对应方法相比更易于并行化。为此，我们引入了一种新颖的基于哈尔小波的块自回归模型，利用分裂耦合，以从不同程度粒度上基于哈尔小波变换获得的粗粒度轨迹为条件。这产生了一种精确推断方法，以分层方式在不同时空分辨率上建模轨迹。我们在两个真实世界数据集——Stanford Drone和Intersection Drone上展示了我们的方法在生成多样且准确轨迹方面的优势。