基于分布扩散的不确定性感知行人轨迹预测
计算机视觉与模式识别
2024-05-14 v2
摘要
为应对人类行为中的不确定性与多模态性,利用生成模型预测行人轨迹已得到大量投入。个体固有的不确定性(例如目的地改变)可能被交互行人运动所产生的复杂模式所掩盖。然而,基于潜变量的生成模型常将此类不确定性与复杂性纠缠在一起,导致潜表达力或预测多样性受限。本工作中,我们提出分别建模这两个因素:隐式推导灵活的潜表示以捕捉复杂的行人运动,同时将个体的预测不确定性与其未来位置的显式双变量高斯混合密度相融合。更具体地,我们提出一个模型无关的不确定性感知行人轨迹预测框架,为构成多模态轨迹的高斯混合参数化充分统计量。我们进一步通过近似一个从噪声中逐步恢复行人运动的去噪过程来估计这些关注参数。与以往研究不同,我们将预测随机性转化为显式分布,使其能便捷生成表明个体自身不确定性的合理未来轨迹。此外,我们的框架兼容不同的神经网络架构。我们在两个公开基准的大多数场景中,以经验证明了即便使用更轻量的骨干网络,相对于最先进方法(SOTA)的性能提升。
引用
@article{arxiv.2303.08367,
title = {Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion},
author = {Yao Liu and Zesheng Ye and Rui Wang and Binghao Li and Quan Z. Sheng and Lina Yao},
journal= {arXiv preprint arXiv:2303.08367},
year = {2024}
}