迈向上下文中的任意人类轨迹预测

预测行人准确的未来轨迹对自主系统至关重要，但由于需要在不同环境和领域中具备适应性，这仍然是一项具有挑战性的任务。一种常见的方法是收集特定场景的数据并通过反向传播进行微调。然而，针对每个新场景进行微调的需求在边缘设备上部署时通常是不切实际的。为了应对这一挑战，我们引入了 TrajICL，一个用于行人轨迹预测的上下文学习框架，该框架在推理时无需在特定场景数据上进行微调，也无需更新权重即可实现适应。我们提出了一种基于时空相似性的示例选择方法，该方法通过在对应位置识别相似的运动模式，从同一场景中先前观察到的轨迹中选择相关示例。为了进一步优化这种选择，我们引入了预测引导的示例选择，该方法根据过去轨迹和预测的未来轨迹来选择示例，而不是仅依赖过去轨迹。这种方法允许模型在选择示例时考虑长期动态。最后，我们不依赖场景多样性有限的现实世界小数据集，而是在大规模合成数据集上训练我们的模型，通过利用上下文示例来增强其预测能力。大量实验表明，TrajICL 在域内和跨域场景中都实现了显著的适应性，甚至在多个公共基准上超越了微调方法。