HeLoFusion：用于建模异构性与多尺度相互作用的高效可扩展编码器
人工智能
2025-12-11 v2
摘要
自动驾驶中的多智能体轨迹预测需要全面理解复杂的社交动态。然而，现有方法往往难以捕捉这些动态的全部复杂性，特别是多尺度相互作用的共存以及异构智能体的多样化行为。为此，本文引入HeLoFusion，一种用于建模异构性与多尺度智能体相互作用的高效可扩展编码器。该方法不依赖全局上下文，而是以每个智能体为中心构建局部多尺度图，从而有效地建模直接的两两依赖关系以及复杂的群体级相互作用（例如列车式车辆或行人群体）。此外，HeLoFusion通过聚合-分解消息传递方案和类型特定特征网络来解决智能体异构性的关键挑战，从而能够学习细致的、类型依赖的相互作用模式。这种以局部性为焦点的ethods能够原则性地表示多层次社交上下文，生成强大且富有表现力的智能体嵌入。在具有挑战性的Waymo开放运动数据集上，HeLoFusion实现了最先进的性能，在关键指标（包括Soft mAP和minADE）上均取得了新的基准。我们的工作表明，一种以局部性为基础的架构，显式地建模了多尺度和异构性相互作用，是推动运动预测领域发展的有效策略。
引用
@article{arxiv.2509.11719,
title = {HeLoFusion: An Efficient and Scalable Encoder for Modeling Heterogeneous and Multi-Scale Interactions in Trajectory Prediction},
author = {Bingqing Wei and Lianmin Chen and Zhongyu Xia and Yongtao Wang},
journal= {arXiv preprint arXiv:2509.11719},
year = {2025}
}