条件导向扩散用于多模式行人轨迹预测,包括意图和交互先验
IEEE transactions on pattern analysis and machine intelligence
|December 18, 2025
概括
这项研究引入了一种新的先前条件导向扩散模型 (CGD-TraP) 用于行人轨迹预测. 该模型通过引导噪声估计与意图和相互作用特征来提高准确性和多样性,从而改善对生成样本的控制.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 步行者行为本质上是多模式的,需要对复杂场景进行准确和多样化的轨迹预测.
- 传统的扩散模型与未指导的噪声添加作斗争,导致效率低下的采样和缺乏控制.
- 现有的方法往往无法捕捉行人运动中的内部意图和外部相互作用的微妙相互作用.
研究的目的:
- 开发一种用于多模式行人轨迹预测的新型扩散模型,解决传统方法的局限性.
- 提高行人轨迹预测的准确性,多样性和可控性.
- 提高扩散过程的效率,以产生轨迹.
主要方法:
- 提出一个以先前条件为导向的扩散模型 (CGD-TraP),利用内部意图和外部交互特征指导噪声估计.
- 设计专门的模块来提取和聚合意图和交互特征.
- 采用基于选择性状态空间的适应性时空融合,用于可控制的噪音轨迹分布估计.
主要成果:
- 与基于最先进的扩散和生成方法相比,CGD-TraP在ETH-UCY,SDD和NBA数据集上表现出卓越的性能.
- 提出的方法在预测准确性和样本多样性方面取得了显著的改进.
- 实验证实了CGD-TraP模型的提高效率和可控性.
结论:
- 以先前条件为导向的扩散模型 (CGD-TraP) 提供了一种更有效的方法来预测多模式的行人轨迹.
- 使用意图和交互特征指导噪声估计过程,可以实现更准确,多样化和可控制的预测.
- CGD-TraP代表了生成模型在动态环境中理解和预测复杂的人类行为方面的重大进步.
