SocialCVAE：通过交互条件潜变量预测行人轨迹

行人轨迹预测是许多应用中的关键技术，旨在洞察人类行为并预判人类未来运动。大多数现有的经验模型是使用具有确定性性质的可解释数学术语，通过观察到的行人行为显式构建的，而最近的工作专注于开发结合基于学习的技术的混合模型，以保持可解释性的同时获得强大的表达能力。然而，从经验模型中学到的转向行为的确定性性质限制了模型的实际性能。为解决这一问题，本文提出了社会条件变分自编码器（SocialCVAE）用于预测行人轨迹，该方法采用 CVAE 来探索人类运动决策中的行为不确定性。SocialCVAE 利用社会可解释的交互能量图作为 CVAE 的条件，学习社会合理的运动随机性，该图展示了每个行人局部邻域区域的未来占用情况。能量图是使用基于能量的交互模型生成的，该模型预测行人与邻居交互的能量成本（即排斥强度）。在包括 25 个场景的两个公共基准测试上的实验结果表明，与最先进的方法相比，SocialCVAE 显著提高了预测精度，平均位移误差（ADE）最高提升了 16.85%，最终位移误差（FDE）最高提升了 69.18%。