Progressive Pretext Task Learning for Human Trajectory Prediction

人类轨迹预测是一项实际任务，旨在预测行人在道路上的未来位置，通常涵盖从短期到长期的所有时间范围。然而，现有的研究试图通过单一、统一的训练范式来解决整个轨迹预测问题，忽略了人类轨迹中短期和长期动态之间的区别。为了克服这个限制，我们引入了一种新颖的渐进式预训练任务学习（PPT）框架，逐步增强模型捕捉短期动态和长期依赖性的能力，以实现最终的整个轨迹预测。具体而言，我们在PPT框架中精心设计了三个阶段的训练任务。在第一阶段中，模型通过逐步的下一位置预测任务学习理解短期动态。在第二阶段中，模型通过目的地预测任务进一步增强了对长期依赖性的理解。在最后一个阶段，模型旨在通过充分利用前几个阶段的知识来解决整个未来轨迹任务。为了减轻知识遗忘，我们进一步应用了跨任务知识蒸馏。此外，我们设计了一个基于Transformer的轨迹预测器，通过整合目的地驱动的预测策略和一组可学习的提示嵌入，能够实现高效的两步推理。对流行的基准测试进行的大量实验表明，我们提出的方法在高效性方面实现了最先进的性能。代码可在https://github.com/iSEE-Laboratory/PPT上获得。

论文旨在解决人类轨迹预测中长期和短期动态的区分问题，提出了一种渐进式预训练任务学习框架（PPT）。

该框架分为三个阶段，分别为逐步下一个位置预测任务、目标预测任务和整个未来轨迹预测任务，逐步增强模型捕捉短期动态和长期依赖关系的能力。

论文设计了一种基于Transformer的轨迹预测器，结合了目标驱动的预测策略和一组可学习的提示嵌入，实现了高效的两步推理。实验结果表明，该方法在流行的基准测试中取得了最先进的性能，代码已开源。

最近的相关研究包括：Social GAN、STED、Trajectron++等。