TPK：可信轨迹预测 integrating 先验知识以实现可解释性和运动学可行性

轨迹预测对于自动驾驶至关重要，使车辆能够通过预判周围道路用户的运动来安全导航。然而，当前的深度学习模型往往缺乏可信度，因为其预测可能在物理上不可行且对人类而言毫无逻辑。为使预测更可信，最近的研究已融合了如社交力模型用于建模交互和运动学模型用于物理真实性等先验知识。然而，这些方法侧重于适用于车辆或行人的先验，难以适用于混合代理类别的交通。我们提出融合所有代理类别（车辆、行人和骑行者）的交互和运动学先验，并引入基于类的交互层以捕获代理行为差异。为提高代理交互的可解释性，我们引入 DG-SFM，这是一种基于规则的交互重要性评分，用于指导交互层。为确保物理可行的预测，我们为所有代理类别设计了合适的运动学模型，并提出了一种新型的行人运动学模型。我们在Argoverse 2数据集上进行基准测试，使用最先进的Transformer模型HPTR作为基线。实验表明，我们的方法在交互可解释性方面取得改进，揭示了错误预测与与我们交互先验的偏离之间的相关性。尽管融合运动学模型会轻微降低准确率，但它们消除了数据集和基线模型中发现的不可行轨迹。因此，我们的方法通过其交互推理具有可解释性且预测遵循物理法则，促进了对轨迹预测的信任。