MoFlow：基于隐式最大似然估计的单步骤流匹配人体轨迹预测
计算机视觉与模式识别
2025-03-14 v1 人工智能
机器学习
摘要
本文解决人体轨迹预测问题，即基于人们过去的轨迹和其他情境线索预测其多模态未来运动。我们提出一种新型的运动预测条件流匹配模型，称为MoFlow，用于预测给定场景中所有代理人未来K条轨迹。我们设计了一种新的流匹配损失函数，不仅确保至少有一条K条未来轨迹是准确的，还鼓励所有K条未来轨迹具有多样性和合理性。此外，利用隐式最大似然估计(IMLE)，我们提出了一种仅需来自教师模型样本的流模型蒸馏方法。在包括SportVU NBA比赛、ETH-UCY和SDD等真实世界数据集上的大量实验表明，我们的教师流模型和IMLE蒸馏的学生模型均实现了最先进的性能。这两种模型都能生成在物理和社会上合理且多样化的轨迹。此外，我们的单步骤学生模型在采样时比教师流模型快100倍。代码、模型和数据均可在我们的项目页面获取：https://moflow-imle.github.io
引用
@article{arxiv.2503.09950,
title = {MoFlow: One-Step Flow Matching for Human Trajectory Forecasting via Implicit Maximum Likelihood Estimation based Distillation},
author = {Yuxiang Fu and Qi Yan and Lele Wang and Ke Li and Renjie Liao},
journal= {arXiv preprint arXiv:2503.09950},
year = {2025}
}
备注
Accepted to CVPR 2025