CCF: Cross Correcting Framework for Pedestrian Trajectory Prediction

准确地预测未来行人轨迹对于各个领域都至关重要。由于未来行人轨迹的不确定性，学习多智能体场景下复杂的时空表示非常重要。为了解决这个问题，我们提出了一种新颖的交叉校正框架(CCF)，以更好地学习行人轨迹的时空表示。我们的框架由两个轨迹预测模型(子网)组成，这两个子网共享相同的架构，并使用交叉校正损失和轨迹预测损失进行训练。交叉校正利用了两个子网的学习，并通过互相校正的机制使它们改进轨迹的底层表示。具体而言，我们使用交叉校正损失来学习如何通过子网之间的相互作用来互相校正。为了在子网之间引入多样性学习，我们使用神经网络产生的转换后的观察轨迹作为一个子网的输入，而使用原始观察轨迹作为另一个子网的输入。我们利用基于transformer的编码器-解码器架构来捕捉行人之间的运动和社交互动。transformer的编码器捕捉轨迹中的运动模式，而解码器则专注于行人与邻居的互动。每个子网都执行预测未来轨迹的主要任务(回归任务)，以及预测轨迹的分类任务(分类任务)。对于真实世界的基准数据集，如ETH-UCY和SDD进行的大量实验表明，我们提出的CCF框架在准确预测行人未来轨迹方面非常有效。我们还进行了多个消融实验，以证明我们方法中使用的各种模块和损失函数的有效性。

本论文旨在解决预测多智能体场景下行人轨迹的不确定性问题，提出了一种新的交叉校正框架（CCF）来更好地学习行人轨迹的时空表示。

交叉校正框架（CCF）包含两个子网络，通过交叉校正损失和轨迹预测损失进行训练，利用互相校正的机制来提高行人轨迹的时空表示能力。其中，一个子网络的输入为神经网络生成的转换后的观察轨迹，另一个子网络的输入为原始的观察轨迹，通过这种方式引入多样性学习。每个子网络都采用基于Transformer的编码器-解码器结构来捕捉行人之间的运动和社交互动。

论文在真实世界的基准数据集（如ETH-UCY和SDD）上进行了广泛的实验，证明了CCF框架在精确预测行人未来轨迹方面的有效性。论文还进行了多项消融实验，证明了所使用的各种模块和损失函数的有效性。

近期的相关研究包括：'Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks'、'Probabilistic Multimodal Movement Primitives for Human Motion Prediction and Synthesis'、'Learning Socially-Driven Dynamics Models from Multi-Modal Data: A Bayesian Nonparametric Approach'等。