MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction

在来自交通运动预测模块的轨迹信息和实际所需信息之间存在着风险评估差距。要消除这种差距，需要在预测方面取得进展。现有的预测模型通过不确定性权重或单个代理的边缘高斯概率密度函数（PDF）产生代理未来轨迹的联合预测。虽然这些方法可以实现高度准确的轨迹预测，但它们提供的有关交互代理依赖性的信息很少或根本没有。由于交通是高度相互依赖的代理过程，它们的行动直接影响彼此的行为，现有的方法不足以可靠地评估未来轨迹的风险。本文通过引入一种新的运动预测方法来解决这个差距，重点是以“场景为中心”的方式预测代理对协方差矩阵，然后可以用于为场景中的所有代理对建模高斯联合PDF。我们提出了一种模型，可以预测这些代理对协方差矩阵，利用增强的交互意识。利用我们模型的预测结果，本文为通过联合PDF分析代理关系的基于统计方法的综合风险评估奠定了基础。

论文试图解决交通运动预测中的风险评估问题，即现有的预测模型无法可靠地评估相互作用代理之间的风险。

论文提出了一种新方法，通过预测代理对的协方差矩阵来建模所有代理对的高斯联合概率密度函数，从而在“场景中心化”的方式下解决预测中的相互作用问题。

论文设计了一个模型来预测代理对的协方差矩阵，利用增强的相互作用意识。实验表明，该模型在多个数据集上取得了优异的预测结果，并且可以用于全面的风险评估。

最近的相关研究包括：《Multi-Agent Tensor Fusion for Contextual Trajectory Prediction》、《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》等。