研究显式交互表示对学习人类轨迹场景分布的影响
机器人学
2026-01-28 v2
摘要
有效捕获场景中所有代理人联合分布对于预测场景的真实演化以及为自动驾驶车的决策过程提供更准确的信息具有重要意义。尽管近年来开发了新的模型，但从代理人之间交互的角度来看，如何最好地表示联合分布仍然不明确。目前尚无共识关于如何表征代理人之间的交互；它们是应该通过神经网络从数据中隐式学习，还是应该使用更贴近人类决策的空间和时间关系显式建模。本文旨在研究不同方式描述同一网络结构中的交互及其对最终学习的联合分布的影响。我们的发现表明，仅仅允许网络基于数据建立代理人之间的交互往往对性能产生不利影响。相反，具有明确定义的交互（例如，哪个代理人在交叉口先通过）往往能带来明显的性能提升。
引用
@article{arxiv.2511.04375,
title = {Studying the Effect of Explicit Interaction Representations on Learning Scene-level Distributions of Human Trajectories},
author = {Anna Mészáros and Javier Alonso-Mora and Jens Kober},
journal= {arXiv preprint arXiv:2511.04375},
year = {2026}
}