다중 양식 예측 결과는 미래에 대한 정답이 하나가 아닌 궤적 예측 작업에 필수적입니다. 기존 프레임워크는 회귀, 생성 및 분류 프레임워크의 세 가지 범주로 나눌 수 있습니다. 그러나 이러한 프레임워크는 서로 다른 측면에서 약점을 가지고 있어 다중 양식 예측 작업을 포괄적으로 모델링할 수 없습니다. 본 논문에서는 다중 양식 예측을 양식 클러스터링, 분류 및 합성의 세 단계로 공식화하여 이전 프레임워크의 단점을 다루는 새로운 통찰력과 함께 완전히 새로운 예측 프레임워크를 제시합니다. 인기 있는 기준 테스트에 대한 철저한 실험을 통해, 우리의 제안된 방법이 사회 및 지도 정보를 도입하지 않고도 최첨단 작업을 능가한다는 것을 입증했습니다. 구체적으로, ETH/UCY 데이터세트에서 평균 이동 오류(ADE)와 최종 이동 오류(FDE) 각각 19.2% 및 20.8%의 개선을 달성했습니다.
Sun et al. (금요일,)가 이 질문을 연구했습니다.