面向多智能体轨迹建模的异质扩散

多智能体轨迹建模传统上侧重于预测，往往忽视更一般的任务，如轨迹完成，这对于纠正跟踪数据等实际应用至关重要。现有方法还通常在预测智能体状态时不提供基于状态的异质不确定性度量。此外，流行的多模态采样方法缺乏对每个生成场景在相同先验观察下所需的错误概率估计，这使得在推断时难以对预测进行排序。我们提出U2Diffine，一个统一的扩散模型，旨在进行轨迹完成，同时同时提供基于状态的异质不确定性估计。这通过在标准去噪损失中引入预测噪声的负对数似然来实现，然后通过一阶Taylor近似将潜空间不确定性传递到实际状态空间。我们还提出U2Diff，一个更快的基线，避免在采样期间进行梯度计算。这一方法显著增加了推断速度，使其与标准的仅生成式扩散模型一样高效。对于后处理，我们集成了一个排名神经网络(RankNN)，该网络使每个生成模式的错误概率估计成为可能，显示出与真实错误之间的强相关性。我们的方法在四个具有挑战性的体育数据集(NBA、Basketball-U、Football-U、Soccer-U)上在轨迹完成和预测任务中均超过了最先进的解决方案，彰显了我们不确定性和错误概率估计的有效性。