MGF：用于多样化轨迹预测的混合高斯流
计算机视觉与模式识别
2025-01-16 v2
摘要
为了预测未来轨迹，具有标准高斯先验的归一化流存在多样性不足的问题。这种无效性源于可能结果的不对称和多模态分布事实与对称且单模态的原始分布及监督损失之间的冲突。相反，我们提出为轨迹预测的归一化流模型构建一个混合高斯先验。该先验通过分析训练样本中的轨迹模式构建，无需额外标注，同时表现出更好的表达能力，且具有多模态和不对称性。除了多样性外，它还为概率轨迹生成提供了更好的可控性。我们将该方法命名为混合高斯流（Mixed Gaussian Flow, MGF）。在流行的 UCY/ETH 和 SDD 数据集上，该方法在轨迹对齐和多样性的评估中均达到了最先进（SOTA）的性能。代码地址：https://github.com/mulplue/MGF。
引用
@article{arxiv.2402.12238,
title = {MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction},
author = {Jiahe Chen and Jinkun Cao and Dahua Lin and Kris Kitani and Jiangmiao Pang},
journal= {arXiv preprint arXiv:2402.12238},
year = {2025}
}
备注
Accepted by Neurips 2024. Code: https://github.com/mulplue/MGF