朝向在环境中预测任何人类轨迹

于红博

摘要: 预测行人准确未来轨迹对于自主系统至关重要，但由于需要在不同环境和领域中具有适应性，仍然是一项具有挑战性的任务。一种常见的方法涉及收集特定场景数据，并通过反向传播进行微调。然而，为每个新场景进行微调的需求通常在边缘设备上部署时是不切实际的。为了解决这一挑战，我们引入了TrajICL，一种用于行人轨迹预测的In-Context Learning（ICL）框架，它在推断时使适应性无需在特定场景数据上进行微调，也不需要进行权重更新。我们提出了一种基于时空相似性的示例选择（STES）方法，通过识别在相应位置具有相似运动模式的先前观察到的轨迹中选择相关示例。为了进一步改进这种选择，我们引入了预测引导示例选择（PG-ES），它基于过去轨迹和预测未来轨迹来选择示例，而不仅仅依赖于过去轨迹。这种方法允许模型在选择示例时考虑长期动态。最后，我们在大规模合成数据集上训练我们的模型，而不是依赖于具有有限场景多样性的小型真实世界数据集，以通过利用上下文示例来增强其预测能力。大量实验表明，TrajICL在领域内和跨领域场景中实现了显著的适应性，在多个公共基准测试中甚至优于微调方法。项目页面：https://fujiry0.github.io/TrajICL-project-page/。

更新时间: 2025-10-30 05:04:19

领域: cs.CV,cs.AI,cs.CL,cs.RO

下载: http://arxiv.org/abs/2506.00871v2