STGlow：一种带双 Graphormer 的基于流的行人轨迹预测生成框架

行人轨迹预测任务是智能系统的重要组成部分。其应用包括但不限于自动驾驶、机器人导航和监控系统的异常检测。由于运动行为的多样性以及行人之间复杂的社会交互，准确预测其未来轨迹具有挑战性。现有方法通常采用 GAN 或 CVAE 来生成多样化轨迹。然而，基于 GAN 的方法不直接在潜空间中对数据建模，这可能使它们无法对底层数据分布具有完全支撑；基于 CVAE 的方法优化观测对数似然的下界，这可能导致学习到的分布偏离底层分布。上述局限使现有方法常生成高度偏置或不准确的轨迹。在本文中，我们提出一种新颖的带双 graphormer 的基于生成流的行人轨迹预测框架（STGlow）。与先前方法不同，我们的方法通过优化运动行为的精确对数似然能更精确地建模底层数据分布。此外，我们的方法对模拟人体运动行为的演化具有清晰的物理意义。流的前向过程逐渐将复杂运动行为退化为简单行为，而其反向过程表示简单行为演化为复杂运动行为。进一步，我们引入结合图结构的双 graphormer 以更充分地建模时间依赖性与相互空间交互。在多个基准上的实验结果表明，与先前最先进方法相比，我们的方法取得了好得多的性能。