MAP-Former：多智能体对高斯联合预测
机器学习
2025-12-04 v1
摘要
在轨迹风险评估中，来自交通运动预测模块的轨迹信息与实际所需信息之间存在差距。缩小这一差距需要超越当前实践的预测进步。现有预测模型生成带有不确定性权重的智能体未来轨迹联合预测，或单个智能体的边缘高斯概率密度函数。尽管这些方法实现了高精度的轨迹预测，但它们仅提供很少或根本不提供关于交互智能体依赖关系的信息。由于交通是一个高度相互依赖的智能体过程，其行为直接影响彼此的相互作用，现有方法不足以可靠地评估未来轨迹的风险。本文通过引入一种新颖的运动预测方法来解决这一差距，该方法专注于以“场景中心”的方式预测智能体对协方差矩阵，然后可用于建模场景中所有智能体对的高斯联合概率密度函数。我们提出了一种能够预测这些智能体对协方差矩阵的模型，利用了增强的交互感知能力。利用我们模型的预测结果，这项工作为基于统计方法分析智能体关系的综合风险评估奠定了基础，通过其联合概率密度函数进行分析。
引用
@article{arxiv.2404.19283,
title = {MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction},
author = {Marlon Steiner and Marvin Klemp and Christoph Stiller},
journal= {arXiv preprint arXiv:2404.19283},
year = {2025}
}
备注
Accepted for publication in Proceedings of the IEEE Intelligent Vehicles Symposium (IV), Jeju Island - Korea, 2-5 June 2024