通过注意力去噪端点分布实现混合多智能体的同步轨迹预测

《ACM Transactions on Autonomous and Adaptive Systems》：Synchronized Trajectory Prediction for Hybrid Multi-agent via Attention-Denoised Endpoint Distribution

多智能体轨迹预测方法通过融合扩散模型与Transformer，重点建模端点分布及不确定性，结合注意力感知时空图提升复杂场景下的预测精度和效率。

　　

摘要

轨迹预测对于与联网自动驾驶车辆（CAVs）相关的应用至关重要。在多智能体场景中，轨迹预测能够显著减少高速公路或混合开放环境中的碰撞和拥堵。它是自动驾驶的基础，使车辆能够安全高效地在复杂环境中导航。以往的方法主要评估了智能体的时空动态，但常常忽略了其内在意图和不确定性，从而限制了预测效果。我们提出了去噪端点分布模型（Denoised Endpoint Distribution model）用于轨迹预测，该模型能够同时捕捉智能体的时空特征及其内在意图和不确定性。通过使用扩散模型（Diffusion model）和Transformer模型来关注智能体的端点而非整个轨迹，我们的方法显著降低了模型复杂性，并通过端点信息提升了预测性能。此外，所设计的具有注意力机制的时空图为扩散模型提供了强有力的指导信息，增强了其准确预测轨迹的能力。我们在包括高速公路和混合开放环境在内的开放数据集上进行的实验，以及对比研究和消融实验，证明了该模型的有效性及其各个组成部分的重要性。