Efficient Trajectory Forecasting and Generation with Conditional Flow Matching

轨迹预测和生成对于自主机器人在动态环境中导航至关重要。尽管以往的研究通常集中在预测或生成上，但我们的方法将这些任务统一起来，提供了一个多功能的框架，并实现了最先进的性能。扩散模型是目前在长期规划和离线强化学习任务中学习轨迹生成的最先进技术，但这种模型依赖于计算密集型的迭代采样过程，这种缓慢的过程会妨碍机器人系统的动态能力。相比之下，我们引入了一种新颖的数据驱动方法——轨迹条件流匹配（T-CFM），它利用流匹配技术学习一个求解器的时变向量场，以实现高效和快速的轨迹生成。我们在三个不同的任务上展示了T-CFM的有效性：对抗跟踪、现实世界的飞机轨迹预测和长期规划。我们的模型在预测精度上优于最先进的基线模型，精度提高了35％，规划性能提高了142％。值得注意的是，T-CFM相比于基于扩散的模型具有高达100倍的加速比，而不会牺牲准确性，这对于机器人的实时决策至关重要。

论文旨在解决自主机器人在动态环境中进行轨迹预测和生成的问题。目前的研究通常集中在预测或生成上，而本文提出的方法将这两个任务统一起来，提供了一个多功能的框架并实现了最先进的性能。

本文提出了Trajectory Conditional Flow Matching (T-CFM)的数据驱动方法，利用流匹配技术学习一个求解器时间变化的向量场，以实现高效快速的轨迹生成。相比于目前长时程规划和离线强化学习任务中学习轨迹生成的最先进方法——扩散模型，T-CFM能够实现高达100倍的速度提升，同时不损失准确性，这对于机器人的实时决策至关重要。

本文通过三个不同的任务展示了T-CFM的有效性：对抗性跟踪、现实世界飞机轨迹预测和长时程规划。实验结果表明，相比于最先进的基线方法，T-CFM的预测精度提高了35％，规划性能提高了142％。此外，本文的方法还能够处理现实世界中的大规模数据集，并且代码已经开源。

最近的相关研究包括使用深度学习进行轨迹预测和生成的方法，如预测递归神经网络（PredRNN），以及使用流模型进行轨迹生成的方法，如扩散模型。