Stochastische Trajektorienvorhersage über die Diffusion von Bewegungsunbestimmtheit

Das menschliche Verhalten hat die Natur der Unbestimmtheit, was erfordert, dass das System zur Vorhersage von Fußgängerttrajektorien die Multimodalität zukünftiger Bewegungszustände modelliert. Im Gegensatz zu bestehenden stochastischen Trajektorienvorhersagemethoden, die normalerweise eine latente Variable zur Darstellung der Multimodalität verwenden, simulieren wir explizit den Prozess der menschlichen Bewegungsvariabilität von unbestimmt zu bestimmt. In diesem Papier präsentieren wir ein neues Rahmenwerk zur Formulierung der Trajektorienvorhersage als einen umgekehrten Prozess der Bewegungsunbestimmtheitsdiffusion (MID), bei dem wir schrittweise die Unbestimmtheit aus allen begehbaren Bereichen entfernen, bis wir die gewünschte Trajektorie erreichen. Dieser Prozess wird mit einer parametrisierten Markov-Kette gelernt, die durch die beobachteten Trajektorien bedingt ist. Wir können die Länge der Kette anpassen, um den Grad der Unbestimmtheit zu steuern und die Vielfalt und Bestimmtheit der Vorhersagen auszubalancieren. Insbesondere kodieren wir die historischen Verhaltensinformationen und die sozialen Interaktionen als Zustandseinbettung und entwickeln ein auf einem Transformer basierendes Diffusionsmodell, um die zeitlichen Abhängigkeiten der Trajektorien zu erfassen. Umfassende Experimente an den Benchmarks zur menschlichen Trajektorienvorhersage, einschließlich der Stanford-Drohne und der ETH/UCY-Datensätze, zeigen die Überlegenheit unserer Methode. Der Code ist verfügbar unter https://github.com/gutianpei/MID.