Social-Mamba：基于状态空间模型的社交感知轨迹预测
计算机视觉与模式识别
2026-05-18 v1
摘要
人类轨迹预测对于在拥挤环境中安全导航至关重要，需要能够在准确性和计算效率之间进行权衡。高效建模社交互动是密集人群中性能的关键。然而，大多数近期方法依赖注意力机制，这些机制在捕捉复杂依赖关系方面有效，但计算成本随邻居数量呈二次增长。最近，选择性状态空间模型提供了一种线性时间的替代方案；然而，其固有的顺序设计与社交互动的非结构化和动态性质不符。为解决这一挑战，我们提出 Social-Mamba，一种将社交互动重新表述为结构化顺序过程的预测架构。其核心是 Cycle Mamba 模块，一种新型模块，使信息能够持续双向流动。Social-Mamba 将代理人组织在以主观视角为中心的网格上，引入社交三元组分解，将互动分解为时间、主观视角和目标导向扫描。这些被动态地通过可学习的社交门和全局扫描集成，以生成准确且高效的轨迹预测。广泛的实验在五个轨迹预测基准数据集上表明，Social-Mamba 在保持卓越参数效率和计算可扩展性的同时实现了最先进的准确性。此外，将 Social-Mamba 嵌入流匹配框架进一步提升了准确性和效率，使其成为未来轨迹预测研究灵活且稳健的基础。代码已公开：https://github.com/vita-epfl/Social-Mamba
引用
@article{arxiv.2605.15424,
title = {Social-Mamba: Socially-Aware Trajectory Forecasting with State-Space Models},
author = {Po-Chien Luan and Wuyang Li and Yang Gao and Alexandre Alahi},
journal= {arXiv preprint arXiv:2605.15424},
year = {2026}
}