场景感知可解释多模态轨迹预测
人工智能
2025-03-11 v2
摘要
智能技术的进步显著提升了在复杂交通环境中的导航能力，通过增强环境感知和自动化车辆的轨迹预测。然而，当前研究常常忽略场景代理的联合推理，并且缺乏轨迹预测模型的可解释性，这限制了其在现实世界情境中的实际应用。为此，我们引入了 Explainable Conditional Diffusion-based Multimodal Trajectory Prediction（DMTP）模型，旨在阐明影响预测的环境因素并揭示其背后的机制。我们的模型整合了修改后的条件扩散方法来捕获多模态轨迹模式，并采用修订后的Shapley 价值模型来评估全球和场景特定特征的重要性。使用 Waymo Open Motion Dataset 进行实验，结果显示我们的可解释模型在识别关键输入方面卓越，并在准确性上显著优于基线模型。此外，确定的因素与人类驾驶经验相吻合，凸显了该模型在学习准确预测方面的有效性。代码已在我们的开源存储库中提供：https://github.com/ocean-luna/Explainable-Prediction。
关键词
引用
@article{arxiv.2410.16795,
title = {Scene-Aware Explainable Multimodal Trajectory Prediction},
author = {Pei Liu and Haipeng Liu and Xingyu Liu and Yiqun Li and Junlan Chen and Yangfan He and Jun Ma},
journal= {arXiv preprint arXiv:2410.16795},
year = {2025}
}