Modeling Pedestrian Intrinsic Uncertainty for Multimodal Stochastic Trajectory Prediction via Energy Plan Denoising

行人轨迹预测在自动驾驶和智慧城市领域起着关键作用。尽管之前的研究使用了序列和生成模型，但由于行人的社交互动和个人喜好等不可预测因素，其多样性和不确定性带来了挑战。为此，我们提出了一种用于随机轨迹预测的能量计划去噪（EPD）模型。EPD首先利用Langevin能量模型提供未来轨迹分布的粗略估计，称为计划。随后，通过概率扩散模型进行去噪以细化此估计。通过以计划开始去噪，EPD有效地减少了迭代步骤的需求，从而提高了效率。此外，EPD不同于传统方法，它建模轨迹的分布而不是单个轨迹。这允许明确地建模行人内在的不确定性并消除了多次去噪的需要。单次去噪操作可以产生一个分布，从中可以抽取多个样本，大大提高了效率。此外，EPD对计划的微调有助于提高模型性能。我们在两个公开数据集上验证了EPD，其取得了最先进的结果。此外，消融实验强调了各个模块的贡献，证实了所提出方法的有效性。

本文旨在解决行人轨迹预测中存在的不确定性和多模态性问题，提出了一种基于能量模型和概率扩散模型的Energy Plan Denoising（EPD）模型。

EPD模型首先通过Langevin能量模型提供未来轨迹的粗略分布估计，然后通过概率扩散模型进行去噪，从而对分布进行细化，以提高模型性能和效率。与传统方法不同的是，EPD模型建模的是轨迹分布而不是单个轨迹，从而消除了多次去噪的需要，提高了效率。

EPD模型在两个公开数据集上实现了最先进的结果，实验结果表明各个模块的贡献，证实了所提出方法的有效性。此外，该模型的轨迹分布建模方式可显式地建模行人内在的不确定性。

在行人轨迹预测领域，最近的相关研究包括：《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》、《Probabilistic Modeling and Visualization of Human Trajectory Data》等。