.png){kind=icon}
返回
TrajDiff: Trajectory Prediction With Diffusion Probabilistic Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3640001.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散概率模型（DPMs）最近在计算机视觉领域取得了卓越的成就。受DPMs成功的启发，我们提出了TrajDiff，一种基于条件扩散概率模型的智能体未来轨迹预测模型，该模型通过一系列随机迭代去噪过程推测智能体的未来状态。具体而言，我们将轨迹预测任务映射到潜在热图空间，将硬关键点预测转化为软聚类中心学习。核心架构是一个U型编码器-解码器网络（U-Net），该网络通过去噪目标进行训练。在推理阶段，基于观察到的过去轨迹热图，初始化随机纯高斯噪声以驱动反向采样过程。U-Net从初始化图像中迭代移除各层次的高斯噪声，类似于朗之万动力学，并生成多模态预测的未来轨迹热图。此外，我们引入了一种带有互注意力机制的全新残差块，能够优雅地考虑智能体与周围环境在多尺度下的相互作用，有助于生成物理和社会上可接受的轨迹。我们在斯坦福无人机数据集和ETH及UCY数据集上验证了TrajDiff。实验结果表明，TrajDiff在显著提高准确率的同时，大幅降低了计算需求，超越了以往的最先进方法。
Keyword:
Trajectory prediction
diffusion probabilistic models
mutual attention mechanisms
interactions
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion ModelSphereDiffusion：球形几何感知抗畸变扩散模型
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏
查看更多内容