SceneSelect：用于轨迹场景分类与专家调度的选择性学习

由于场景的高度异质性——不同真实世界环境中运动速度、空间密度和交互模式的严重方差，准确的轨迹预测极具挑战性。然而，大多数现有方法通常训练单一统一模型，期望固定容量的架构能够在所有可能场景中普遍泛化。当面对这种极端异质性时，这种传统的以模型为中心的范式存在根本缺陷，不可避免地导致严重的泛化差距、下降的准确性和大量的计算浪费。为了克服这一瓶颈，我们提出了选择性学习，一种新颖的以场景为中心的范式，而不是精修受限的以模型为中心的架构。它显式分析底层场景的特征，以将输入动态路由到最合适的专家模型。作为该范式的具体实现，我们引入了 SceneSelect。具体而言，SceneSelect 利用可解释的几何和运动学特征上的无监督聚类来发现潜在的场景分类法。然后训练一个高度解耦的分类模块将实时输入分配到这些场景类别，并且一个高度可扩展、即插即用的调度策略自动将轨迹序列分发给最佳的专家预测器。至关重要的是，这种解耦设计确保了出色的泛化能力，允许与不同的现成模型无缝集成，并在无需计算昂贵的联合重训练的情况下跨新数据集进行鲁棒适应。在三个公开基准（ETH-UCY、SDD 和 NBA）上的大量实验表明，我们的方法始终优于强大的单模型和集成基线，平均提升 10.5%，展示了场景感知选择性学习的有效性。