基于物理先验与 Graph-Mamba 的雾霾天气行人轨迹预测
计算机视觉与模式识别
2025-09-30 v1
摘要
为了解决雾霾天气条件下行人轨迹预测中物理信息退化与行人交互建模无效的问题，我们提出了一种结合大气散射物理先验与行人关系拓扑建模的深度学习模型。具体而言，我们首先构建了一个可微分的大气散射模型，通过物理参数估计网络将雾霾浓度与光衰减解耦，从而学习去雾霾的特征表示。其次，我们设计了一种自适应扫描状态空间模型用于特征提取。我们的自适应 Mamba 变体在保持长程依赖建模的同时实现了相比原生 Mamba 78% 的推理速度提升。最后，为了高效建模行人关系，我们开发了一种异构图注意力网络，利用图矩阵建模行人与群体之间的多粒度交互，并结合时空融合模块捕捉行人运动的协同演化模式。此外，我们基于 ETH/UCY 构建了一个新的行人轨迹预测数据集以评估所提方法的有效性。实验结果表明，在密集雾霾场景（能见度 < 30m）下，我们的方法相比 SOTA 模型将 minADE 和 minFDE 指标分别降低了 37.2% 和 41.5%，为恶劣环境下智能交通系统的可靠感知提供了新的建模范式。
引用
@article{arxiv.2509.24020,
title = {Hazy Pedestrian Trajectory Prediction via Physical Priors and Graph-Mamba},
author = {Jian Chen and Zhuoran Zheng and Han Hu and Guijuan Zhang and Dianjie Lu and Liang Li and Chen Lyu},
journal= {arXiv preprint arXiv:2509.24020},
year = {2025}
}