用于多智能体轨迹建模的统一不确定性感知扩散模型
计算机视觉与模式识别
2025-04-01 v2
摘要
多智能体轨迹建模主要集中在预测未来状态，往往忽略了诸如轨迹补全等更广泛的任务，而这些任务对于纠正跟踪数据等现实世界应用至关重要。现有方法通常在预测智能体状态时，也不提供任何状态级别的不确定性度量。此外，流行的多模态采样方法缺乏在相同先验观测下对每个生成场景的误差概率估计，使得在推理时难以对预测结果进行排序。我们引入了 U2Diff，这是一个旨在处理轨迹补全并同时提供状态级别不确定性估计的统一扩散模型。这种不确定性估计是通过用预测噪声的负对数似然增强简单的去噪损失，并将潜在空间的不确定性传播到真实状态空间来实现的。此外，我们在后处理中引入了排序神经网络，以实现对每个生成模态的误差概率估计，其与相对于真实值的误差表现出强相关性。我们的方法在四个具有挑战性的体育数据集（NBA、Basketball-U、Football-U、Soccer-U）上的轨迹补全和预测方面优于现有 SOTA 解决方案，突出了不确定性和误差概率估计的有效性。视频见 https://youtu.be/ngw4D4eJToE
引用
@article{arxiv.2503.18589,
title = {Unified Uncertainty-Aware Diffusion for Multi-Agent Trajectory Modeling},
author = {Guillem Capellera and Antonio Rubio and Luis Ferraz and Antonio Agudo},
journal= {arXiv preprint arXiv:2503.18589},
year = {2025}
}
备注
Accepted to CVPR 2025 conference