基于能量计划去噪建模行人内在不确定性的多模态随机轨迹预测
计算机视觉与模式识别
2024-05-14 v1
摘要
行人轨迹预测在自动驾驶和智慧城市领域发挥着关键作用。尽管广泛的研究采用序列模型和生成模型，但受社交互动和个人偏好影响的行人不可预测性带来了显著的不确定性和多模态性挑战。为此，我们提出了能量计划去噪 (EPD) 模型进行随机轨迹预测。EPD 首先利用 Langevin 能量模型提供未来轨迹分布的粗略估计，称为计划 (Plan)。随后，通过概率扩散模型进行去噪来细化该估计。通过以 Plan 为去噪起点，EPD 有效减少了迭代步骤的需求，从而提高了效率。此外，EPD 与传统方法不同之处在于对轨迹分布建模而非单个轨迹。这允许对行人内在不确定性进行显式建模，无需进行多次去噪操作。单个去噪操作即可产生可供多个样本抽取的分布，显著提升了效率。此外，EPD 对 Plan 的精细调校有助于提高模型性能。我们在两个公开数据集上对 EPD 进行了验证，其中实现了最先进的效果。此外，ablation 实验强调了各个模块的贡献，确认了所提出方法的有效性。
引用
@article{arxiv.2405.07164,
title = {Modeling Pedestrian Intrinsic Uncertainty for Multimodal Stochastic Trajectory Prediction via Energy Plan Denoising},
author = {Yao Liu and Quan Z. Sheng and Lina Yao},
journal= {arXiv preprint arXiv:2405.07164},
year = {2024}
}