Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models

这项工作介绍了一种称为条件车辆运动扩散（cVMD）模型的新型网络架构，用于使用扩散模型进行公路轨迹预测。该模型确保预测的轨迹可驾驶性，通过将非完整运动约束和物理约束整合到生成预测模块中来实现。 cVMD架构的核心是其能够执行不确定性量化，这是在安全关键应用中至关重要的功能。通过将量化的不确定性整合到预测过程中，cVMD的轨迹预测性能得到了显著提高。该模型的性能是使用公开可用的highD数据集进行评估的。实验表明，与最先进的模型相比，所提出的架构实现了具有竞争力的轨迹预测精度，同时提供了可保证的可驾驶轨迹和不确定性量化。

本论文试图解决如何使用扩散模型进行公路轨迹预测的问题，并保证预测轨迹是可驾驶的。

论文提出了一种新的网络架构cVMD，它将非完整运动约束和物理约束集成到生成预测模块中，以确保预测轨迹的可驾驶性，并且具有量化不确定性的能力。

论文使用公开数据集highD进行了实验，证明了cVMD模型在轨迹预测准确性方面与现有模型相当，并提供了可驾驶的轨迹和不确定性量化。值得注意的是，该模型具有较好的不确定性量化能力，这在安全关键应用中非常重要。

最近的相关研究包括：《End-to-End Learning of Driving Models from Large-Scale Video Datasets》、《Probabilistic Behavior Prediction of Traffic Agents using a Multimodal Generative Model》等。