MGTraj: 基于递归精化网络的多粒度目标引导人类轨迹预测
计算机视觉与模式识别
2025-09-12 v1
摘要
准确的人类轨迹预测对机器人导航和自动驾驶至关重要。近期研究表明，结合目标引导显著提升了预测准确性，通过减少不确定性和利用先验知识。大多数目标引导方法将预测任务解耦为两个阶段：目标预测和基于预测目标的后续轨迹完成，这两个阶段在极端粒度上运行：粗粒度目标预测预测整体意图，而细粒度轨迹完成需要为所有未来时间步生成位置。中间时间粒度的潜在效用尚未被充分探索，这激发了多粒度轨迹建模。虽然先前工作已表明多粒度表示捕捉了人类动力学和运动模式的多种尺度，但将这一概念有效集成到目标引导框架中仍具有挑战性。在本文中，我们提出了MGTraj，一种新颖的多粒度目标引导人类轨迹预测模型。MGTraj从粗到细粒度递归编码轨迹提议。在每个层级上，基于Transformer的递归精化网络(RRN)捕捉特征并预测渐进精化。不同粒度之间的特征通过共享权重策略进行整合，速度预测被用作辅助任务以进一步提升性能。在EHT/UCY和Stanford Drone数据集上的综合实验结果表明，MGTraj优于基线方法，并在目标引导方法中达到了最先进的性能。
引用
@article{arxiv.2509.09200,
title = {MGTraj: Multi-Granularity Goal-Guided Human Trajectory Prediction with Recursive Refinement Network},
author = {Ge Sun and Jun Ma},
journal= {arXiv preprint arXiv:2509.09200},
year = {2025}
}