意图增强扩散模型在多模态行人轨迹预测中的应用.pdfVIP

意图增强扩散模型在多模态行人轨迹预测中的应用

YuLiu,ZhijieLiu,XiaoRen,You-FuLi,andHeKong

Abstract—预测行人运动轨迹对于自动驾驶车辆的路径受上述观察的启发，本文提出了一种意图增强扩

规划和运动控制至关重要。然而，准确预测人群轨迹仍然是一散模型（IntDiff）用于多模态行人轨迹预测。我们的方

个具有挑战性的任务，因为人类运动本质上是多模态且不确定

法将行人的运动意图作为先验知识融入扩散模型中，

的。最近基于扩散的方法在捕捉行人的随机行为以进行轨迹预

测方面显示出有希望的结果。然而，很少有基于扩散的方法明从而使预测管道更加可解释和高效。本工作的主要贡

确地将行人的潜在运动意图纳入其中，这可能会限制预测模型献如下：

的可解释性和精确度。在这项工作中，我们提出了一种基于扩(1)我们提出了一种基于扩散的新型框架IntDiff，

散的多模态轨迹预测模型，该模型将行人运动意图融入到预测

框架中。这些运动意图被分解为横向和纵向分量，并引入了一个用于多模态行人轨迹预测，该框架在生成过程中明确

本行人意图识别模块以使模型能够有效捕捉这些意图。此外，我们地将行人的运动意图纳入其中，从而增强了所学表示

采用了高效的引导机制来促进可解释轨迹的生成。所提出的框的可解释性。(2)引入了一个运动意图识别模块来估计

译架在两个广泛使用的人类轨迹预测基准数据集ETH和UCY

行人沿横向和纵向轴的意图，并与无分类器引导策略

中上进行了评估，并与最先进的方法进行了比较。实验结果表明，相结合以对扩散模型进行条件设置，有效指导生成过

我们的方法实现了具有竞争力的表现。

1

v程趋向于具备意图意识的预测。

9I.介绍(3)在基准数据集上进行了全面的实验，证明了所

2

2行人运动预测是自动驾驶汽车的一项关键能力提出的方法在行人轨迹预测方面可以达到与最先进的

4[1]。鉴于观察到的行人的轨迹，准确地预测他们未来方法相竞争的表现。

0

.的路径对于确保安全和高效的运行至关重要。在轨迹

8

0预测中的一个主要挑战在于人类运动本质上具有随机II.相关工作

5

2性和非确定性，这受到诸如社会互动和周围环境等多

:A.行人轨迹预测

v种因素的影响。在此背景下，多模态轨迹预测方法旨

i

x在生成对未来可能路径的可解释的概率分布，使模型早期关于轨迹预测的工作提出了基于物理运动约

r

a能够捕捉内在的不确定性。束的模型[4]。然而，这些方法往往难以捕捉动态环境

最近的生成方法展示了产生一组多样且合理的路中人类动作的复杂性和变异性，从而促使转向数据驱

径预测的能力。其中，扩散模型[2],[3]已经成为行人动的学习方法。最近的深度学习方法将轨迹预测视为

轨迹预测的一个重要工具。然而，现有基于扩散的方一个序列估计任务。例如，长短期记忆网络（LSTM）

法的一个局限性是它们没有纳入先验知识，比如行人和循环神经网络（RNN）已被用于捕获行人运动中的

的运动意图，这降低了可解释性并影响了预测性能。时间依赖性[5],[6]。鉴于社会互动在影响行人的潜在

Thispaperistobepresentedatthe28thIEEEInternationalCon-未来轨迹中所起的关键作用，一些方法采用了基于图

ferenceonIntelligentTransportationSystems(ITSC),2025.的结构来明确建模行人之间的相互作用[7],[8]。此