Diffusion-Based Environment-Aware Trajectory Prediction

本文提出了一种基于扩散的生成模型，用于多智能体轨迹预测，能够准确地学习数据的多模态性，并捕捉交通参与者与环境之间的复杂交互。在大规模真实交通场景数据集上的实验表明，该模型在预测准确性方面优于几种常用的方法。通过在模型输出上引入差分运动约束，我们证明了我们的模型能够生成多样化的真实未来轨迹。通过使用交互感知的引导信号，我们进一步展示了该模型可以适应预测不太合作的智能体的行为，强调其在不确定交通条件下的实际适用性。

多智能体轨迹预测是自动驾驶车辆安全高效运行的关键问题。本文提出了一种基于扩散的生成模型，旨在准确捕捉交通参与者和环境之间的复杂互动，学习数据的多模态特性。

本文提出了一种新的扩散模型，能够准确预测多智能体的轨迹，并生成多样化的未来轨迹。同时，通过引入交互感知引导信号，可以适应预测不合作智能体的行为。

本文通过实验验证了提出方法的有效性，并与其他已有方法进行了比较。实验使用了大规模的真实交通数据集，并证明了该方法的预测准确性优于其他方法。此外，该方法还能够生成多样化的未来轨迹，并适应预测不合作智能体的行为。

最近的相关研究包括：1. Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks；2. TraPHic: Trajectory Prediction in Dense and Heterogeneous Traffic Using Weighted Interactions.