缺失数据下的行人轨迹预测：数据集、插补与基准测试

行人轨迹预测对于机器人技术和自动驾驶车辆等多种应用至关重要。过去十年，得益于行人轨迹数据集的可用性，该领域取得了显著进展，这些数据集使轨迹预测方法能够从行人过去的移动中学习并预测未来轨迹。然而，这些数据集和方法通常假设观测到的轨迹序列是完整的，忽略了现实世界中的问题，如传感器故障、遮挡和有限视野，这些问题可能导致观测轨迹中出现缺失值。为应对这一挑战，我们提出了TrajImpute，一个模拟观测轨迹中坐标缺失的行人轨迹预测数据集，以增强现实世界的适用性。TrajImpute在观测轨迹内保持了缺失数据的均匀分布。在这项工作中，我们全面考察了多种用于重建缺失坐标的配准方法，并对它们进行了行人轨迹配准的基准测试。此外，我们对近期的轨迹预测方法进行了深入分析，并评估了这些模型在配准后轨迹上的性能。我们对配准和轨迹预测方法的实验评估提供了若干有价值的见解。我们的数据集为未来关于配准感知的行人轨迹预测研究提供了基础资源，可能加速这些方法在现实世界应用中的部署。数据集和代码文件的公开访问链接可在https://github.com/Pranav-chib/TrajImpute获取。