迈向可泛化与可解释的运动预测：一种深度变分贝叶斯方法

在混合交通流中，估计周围人类驾驶车辆的潜在行为对自动驾驶车辆的安全至关重要。近期最先进的技术利用深度神经网络实现了准确预测。然而，这些端到端模型通常是黑盒，可解释性和可泛化性较弱。本文提出了基于目标的神经变分智能体（Goal-based Neural Variational Agent, GNeVA），这是一种用于运动预测的可解释生成模型，对分布外情况具有鲁棒的可泛化性。为了实现可解释性，该模型通过使用高斯变分混合估计长期目的地的空间分布，实现了目标驱动的运动预测。我们识别了地图与智能体历史之间的因果结构，并推导出变分后验以增强可泛化性。在运动预测数据集上的实验验证了拟合后的模型具有可解释性和可泛化性，并且能够取得与现有最优结果相当的性能。