SingularTrajectory: Universal Trajectory Predictor Using Diffusion Model

本文介绍了五种轨迹预测任务：确定性、随机性、域自适应、瞬时观测和少样本。这些任务的定义受多种因素影响，例如输入路径的长度、数据分割和预处理方法。有趣的是，即使它们通常将观察到的顺序坐标作为输入，并在相同的坐标系中推断未来路径，为每个任务设计专门的架构仍然是必要的。对于其他任务，通用性问题可能会导致次优的性能。在本文中，我们提出了SingularTrajectory，这是一个基于扩散的通用轨迹预测框架，旨在减少五个任务之间的性能差距。SingularTrajectory的核心是统一各种与任务相关的人类动力学表示。为此，我们首先建立了一个Singular空间，将每个任务的各种运动模式投影到一个嵌入空间中。接下来，我们提出了一个自适应锚，它在Singular空间中工作。与传统的固定锚方法有所不同，我们的自适应锚可以根据可穿越性地图将放错位置的正确锚定点放回正确的位置。最后，我们采用基于扩散的预测器，通过级联去噪过程进一步增强原型路径。我们的统一框架确保了在各种基准设置（例如输入模态和轨迹长度）下的通用性。在五个公共基准测试上的大量实验表明，SingularTrajectory显着优于现有模型，突出了其在估计人类运动的一般动态方面的有效性。代码公开在https://github.com/inhwanbae/SingularTrajectory。

论文旨在提出一种通用的轨迹预测框架，以减少不同轨迹预测任务之间的性能差距。

论文提出了SingularTrajectory，一种基于扩散的通用轨迹预测框架，通过将不同类型的运动模式映射到一个Singular空间中，采用自适应锚点和扩散预测器来提高预测性能。

论文采用了五个公共基准数据集进行了广泛的实验，证明了SingularTrajectory在各种输入模态和轨迹长度的情况下都具有更好的性能。此外，作者还公开了代码。

近期的相关研究包括：'End-to-End Learning of Driving Models from Large-Scale Video Datasets'，'Trajectron++: Multi-Agent Generative Trajectory Forecasting with Heterogeneous Data'，'Social Attention: Modeling Attention in Human Crowds'等。