Joint Pedestrian Trajectory Prediction through Posterior Sampling

要約

歩行者の共同軌道予測は、人間の行動の本質的な予測不可能性に長年取り組んできました。
軌道予測に条件付き拡散モデルの変形を採用した最近の研究は、顕著な成功を収めています。
それにもかかわらず、正確な履歴データに大きく依存しているため、ノイズ障害やデータの不完全性に対して脆弱になります。
堅牢性と信頼性を向上させるために、ジョイントの完全な (過去および将来の) 軌道分布を捕捉する新しい拡散モデル フレームワークである Guided Full Trajectory Diffuser (GFTD) を導入します。
完全な軌跡から学習することで、GFTD はノイズの多いデータや欠落したデータを復元できるため、堅牢性が向上します。
さらに、GFTD は追加のトレーニング要件なしでデータの不完全性に適応でき、事後サンプリングを活用して信頼性の高い予測と制御可能な生成を実現します。
私たちのアプローチは、予測プロセスを簡素化するだけでなく、ノイズや不完全な入力を含むシナリオにおける一般化可能性も高めます。
厳密な実験評価を通じて、GFTD は軌道予測と制御可能な生成の両方において優れたパフォーマンスを示します。

要約(オリジナル)

Joint pedestrian trajectory prediction has long grappled with the inherent unpredictability of human behaviors. Recent investigations employing variants of conditional diffusion models in trajectory prediction have exhibited notable success. Nevertheless, the heavy dependence on accurate historical data results in their vulnerability to noise disturbances and data incompleteness. To improve the robustness and reliability, we introduce the Guided Full Trajectory Diffuser (GFTD), a novel diffusion model framework that captures the joint full (historical and future) trajectory distribution. By learning from the full trajectory, GFTD can recover the noisy and missing data, hence improving the robustness. In addition, GFTD can adapt to data imperfections without additional training requirements, leveraging posterior sampling for reliable prediction and controllable generation. Our approach not only simplifies the prediction process but also enhances generalizability in scenarios with noise and incomplete inputs. Through rigorous experimental evaluation, GFTD exhibits superior performance in both trajectory prediction and controllable generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google