ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties

运动预测是自动驾驶中的一个具有挑战性的问题，因为它要求系统理解随机动力学和现实世界代理人互动的多模式特性。扩散模型最近崭露头角，并且在行人运动预测任务中被证明特别有效。然而，显著的时间消耗和对噪声的敏感性限制了扩散模型的实时预测能力。针对这些障碍，我们提出了一种新颖的基于扩散的可加速框架，能够熟练地预测代理人未来的轨迹，并具有增强的抗噪声能力。我们模型的核心思想是学习一种粗粒度的轨迹先验分布，可以跳过大量的去噪步骤。这种进步不仅提高了采样效率，还保持了预测准确性的保真度。我们的方法符合自动驾驶所必需的严格实时操作标准，能够实现重要的安全和高效导航的及时轨迹生成。通过广泛的实验，我们的方法将推理时间缩短到136ms，相对于标准扩散模型而言，且在Argoverse 1运动预测数据集上实现了多代理人运动预测的显著改进。

提高自动驾驶中的运动预测效率和准确性，解决扩散模型在实时预测中的时间消耗和对噪声的敏感性问题。

通过学习粗粒度的轨迹先验分布，跳过大量去噪步骤，提高了扩散模型的预测效率和准确性。

论文的方法在Argoverse 1数据集上进行了实验，相比标准扩散模型，推理时间缩短到了136ms，并取得了显著的多智能体运动预测效果提升。

最近的相关研究包括：《Multi-Path Diversity in Human Motion Prediction》、《Probabilistic Multi-Future Prediction for Autonomous Driving with a Mixture of Conditional Variational Autoencoders》等。