SocialTraj：基于条件扩散模型的两阶段社交感知轨迹预测方法，用于自动驾驶
机器人学
2025-09-23 v1
摘要
准确预测周围车辆（SV）的轨迹是自动驾驶系统避免误导决策和潜在事故的关键。然而，在高度动态和复杂的交通场景中实现可靠预测仍是一个重大挑战。一个关键障碍在于当前方法捕捉驾驶员多模式行为效果有限，导致预测的轨迹偏离实际的未来运动。为解决此问题，我们提出了SocialTraj，一种集成社交心理学原理的轨迹预测框架，通过社交价值倾向（SVO）实现社交感知。我们利用贝叶斯逆强化学习（IRL）来估计SV的SVO，从而获得推断未来交互趋势所必需的关键社交背景。为确保预测行为的模式一致性，将估计的SVO嵌入条件去噪扩散模型，以对齐生成的轨迹与历史驾驶风格。此外，还显式地融入自主车辆（EV）的计划未来轨迹，以增强交互建模。在NGSIM和HighD数据集上的大量实验表明，SocialTraj能够适应高度动态和交互式场景，生成符合社交规范且行为一致的轨迹预测，优于现有基线方法。消融研究表明，动态SVO估计和显式 ego-planning 组件显著提高预测精度，并大幅降低推理时间。
引用
@article{arxiv.2509.17850,
title = {SocialTraj: Two-Stage Socially-Aware Trajectory Prediction for Autonomous Driving via Conditional Diffusion Model},
author = {Xiao Zhou and Zengqi Peng and Jun Ma},
journal= {arXiv preprint arXiv:2509.17850},
year = {2025}
}