JAM：基于分类感知的边际提案后的关键点引导联合预测

预测道路参与者的未来运动是自动驾驶中的关键任务。在本工作中，我们针对多智能体联合预测中低概率模式生成质量问题提出了解决方案。我们提出了一个两阶段的多智能体交互预测框架，命名为\textit{关键点引导的联合预测在分类感知的边际提案之后}(JAM)。第一阶段建模为边际预测过程，通过对查询按轨迹类型进行分类来鼓励模型学习所有轨迹类别，从而为联合预测模块提供全面的模式信息。第二阶段建模为联合预测过程，采用场景上下文和第一阶段的边际提案作为输入，以学习最终的联合分布。我们显式引入关键路标来指导联合预测模块更好地捕捉和利用初始预测轨迹中的关键信息。我们在真实的Waymo开放运动数据集交互式预测基准测试上进行了广泛实验。结果表明，我们的方法表现出竞争力。在框架对比实验中，所提出的JAM超过了其他预测框架，在交互式轨迹预测中实现了最先进的性能。代码可在 https://github.com/LinFunster/JAM 获取，以促进未来研究。