Key points are not available for this paper at this time.
Die Vorhersage menschlichen Verhaltens ist eine schwierige und entscheidende Aufgabe, die für Bewegungen erforderlich ist. Sie ist in großem Maße aufgrund des hochgradig unsicheren und mehrdeutigen Sets möglicher Ergebnisse in realen Bereichen wie der Autonomie herausfordernd. Über die Vorhersage einzelner MAP-Trajektorien hinaus ist die Ermittlung einer genauen Verteilung der Zukunft ein aktives Interessensgebiet. Unser MultiPath nutzt eine feste Menge zukünftiger Zustandsfolgen-Anker, die Moden der Trajektorienverteilung entsprechen. Bei der Inferenz sagt unser Modell eine diskrete Verteilung über die Anker voraus und, für jeden Anker, Abweichungen von Anker-Wegpunkten sowie Unsicherheiten, was zu einer Mischung zu jedem Zeitpunkt führt. Unser Modell ist effizient und benötigt nur einen Inferenzdurchlauf, um multimodale zukünftige Verteilungen zu erhalten, und es ist parametrisch, was kompakte Kommunikation und analytische Abfragen ermöglicht. Wir zeigen anhand mehrerer Datensätze, dass unser Modell mehr Vorhersagen erzielt und im Vergleich zu Sampling-Baselines dies mit einer Größenordnung weniger Trajektorien erreicht.
Chai et al. (Fri,) haben diese Frage untersucht.