通过丢弃航点改进动态多智能体环境中的轨迹预测

轨迹固有的多样性与不确定性给精确建模带来了巨大挑战。运动预测系统必须有效从过去学习时空信息以预测智能体未来轨迹。许多现有方法通过堆叠模型中独立组件学习时间运动以捕捉时间特征。此外，预测方法常假设观测到的轨迹航点序列完整，忽略可能出现缺失值的场景，而这会影响其性能。并且，这些模型在预测时可能偏向特定航点序列。我们提出一种称为时间航点丢弃（TWD）的新方法，在轨迹预测模型训练期间显式引入时间依赖。通过从过去观测轨迹中随机丢弃航点，模型被迫从剩余航点学习底层时间表征，从而得到改进模型。将随机时间航点丢弃纳入模型学习过程，显著提升了其在缺失值场景下的性能。实验结果证明了我们的方法在轨迹预测能力上的实质性改进。我们的方法可补充现有轨迹预测方法以提升其预测精度。我们在 NBA Sports VU、ETH-UCY 和 TrajNet++ 三个数据集上评估了所提方法。