RetroMotion: 逆因果运动预测模型可被指示
计算机视觉与模式识别
2026-04-30 v2 人工智能
机器人学
摘要
道路用户（即智能体）的运动预测复杂度取决于智能体数量、场景约束和相互作用。在 particular, 多智能体运动预测的输出空间随智能体数量呈指数增长。因此，我们将多智能体运动预测分解为 (1) 所有建模智能体的边际分布和 (2) 相互作用智能体的联合分布。使用 transformer 模型，通过对边际分布进行重新编码 followed by 两两建模来生成联合分布。这将来自边际轨迹后期点的信息以逆因果方式流向联合轨迹的早期点。对于每个时间步，我们使用压缩指数分布建模位置不确定性。值得注意的是，我们的方法在 Waymo 交互预测挑战赛中取得优异成绩，并在 Argoverse 2 和 V2X-Seq 数据集上表现出良好泛化。此外，我们的方法提供了一个发出指令的接口。我们表明，标准的运动预测训练隐式地使模型能够遵循指令并根据场景上下文调整指令。GitHub 仓库：https://github.com/kit-mrt/future-motion
引用
@article{arxiv.2505.20414,
title = {RetroMotion: Retrocausal Motion Forecasting Models are Instructable},
author = {Royden Wagner and Omer Sahin Tas and Felix Hauser and Marlon Steiner and Dominik Strutz and Abhishek Vivekanandan and Jaime Villa and Yinzhe Shen and Carlos Fernandez and Christoph Stiller},
journal= {arXiv preprint arXiv:2505.20414},
year = {2026}
}
备注
CVPRW26