基于模式感知交互建模的可信行人轨迹预测
计算机视觉与模式识别
2025-11-13 v3
摘要
准确且可靠的行人轨迹预测是智能应用的关键需求，但要实现可信预测仍面临巨大挑战，主要源于行人之间复杂的相互作用。以往方法常采用黑箱建模行人间的相互作用。尽管这些方法在性能方面表现出色，但这种不透明的建模方式限制了在实际部署场景中的可靠性。为此，我们提出InSyn（Interaction-Synchronization Network），一种新型基于Transformer的模型，显式捕获多样化的交互模式（如同步行走或冲突），同时有效地建模方向敏感的社交行为。此外，我们引入一种训练策略，称为序列开始（Seq-Start of Seq, SSOS），旨在缓解时间序列预测中常见的初始步偏差问题。在ETH和UCY数据集上进行的实验表明，我们的模型不仅在预测准确性上超越了最近的黑箱基线，尤其是在高密度场景下，还能提供透明的交互建模，案例研究亦证实了这一点。此外，SSOS策略在改善序列预测性能方面也显示出色，通过约降低6.58%的初始步预测误差。代码已 disponible at https://github.com/rickzky1001/InSyn。
关键词
引用
@article{arxiv.2507.13397,
title = {Trustworthy Pedestrian Trajectory Prediction via Pattern-Aware Interaction Modeling},
author = {Kaiyuan Zhai and Juan Chen and Chao Wang and Zeyi Xu and Guoming Tang},
journal= {arXiv preprint arXiv:2507.13397},
year = {2025}
}