EnTAIL: Evolutional temporal-aware interaction learning for motion forecasting

doi:10.1016/j.engappai.2025.111800

EnTAIL: Evolutional temporal-aware interaction learning for motion forecasting

2025-08-08

0

PRE

AI

DOI：10.1016/j.engappai.2025.111800

原文链接

原文求助

摘要

En 中文

准确预测现实场景中交通代理的未来轨迹对于推进智能信息物理系统（CPS），如自动驾驶系统和智慧城市至关重要。一项基本挑战在于从过去轨迹中挖掘多个代理之间演变的交互模式，因为交通场景通常表现出复杂的交互并沿时间线持续演变。然而，现有方法未能充分利用序列交互中固有的时序性。在建模交互的过程中，它们缺乏对固定时间戳发生的静态交互以及跨时间戳的交互演变模式的全面理解。为应对这些挑战，我们提出了演化时序感知交互学习（EnTAIL），一种新颖的时序感知交互学习框架，用于建模和推理代理之间的交互。EnTAIL通过统一框架捕获单个时间戳的静态交互模式以及跨时间戳的时序感知交互模式。具体而言，我们引入了一种可训练的恒定时间编码，以整合每个时间戳的交互建模，旨在捕获静态交互信息。我们提出了动态演化编码器来建模时序感知交互特征，能够在多尺度观测窗口内学习短期和长期交互。此外，EnTAIL还考虑了预测阶段的时序特征，并建模了编码阶段被忽略的长距离交互。在具有挑战性的真实世界Argoverse数据集上进行的大量实验表明，我们提出的模型实现了显著的性能提升，在最小平均位移误差（minADE）和最小最终位移误差（minFDE）上分别超出基线方法2.5%和1.2%。

Keyword:

trajectory prediction

temporal-aware interaction

traffic agents

intelligent cyber-physical systems

evolutional encoding

EnTAIL: Evolutional temporal-aware interaction learning for motion forecasting

摘要

期刊

机构

引用论文