面向长期轨迹异常检测的意图感知层次扩散模型
人工智能
2025-09-23 v1
摘要
长期轨迹异常检测是一个因轨迹数据中的多样性和复杂时空依赖性而具有挑战性的问题。现有的轨迹异常检测方法未能同时考虑代理人意图以及其导航细节，从而限制了其捕获正常轨迹全面多样性的能力。本文提出了一种名为意图感知层次扩散模型（IHiD）的无监督轨迹异常检测方法，通过高层意图评估和低层子轨迹分析进行异常检测。我们的方法利用逆 Q 学习作为高层模型，基于预测的 Q 值评估选定子目标是否符合代理人意图。同时，扩散模型作为低层模型，基于子目标信息生成子轨迹，以重建误差进行异常检测。通过整合两种模型，IHiD 有效利用子目标转换知识，旨在捕获正常轨迹的多样分布。我们的实验表明，所提出的方法 IHiD 在 F1 分数上相比最先进的基线方法实现了最高可达 30.2% 的异常检测性能提升。
引用
@article{arxiv.2509.17068,
title = {Intention-aware Hierarchical Diffusion Model for Long-term Trajectory Anomaly Detection},
author = {Chen Wang and Sarah Erfani and Tansu Alpcan and Christopher Leckie},
journal= {arXiv preprint arXiv:2509.17068},
year = {2025}
}
备注
15 pages, 5 figures