DID: 面向人类轨迹预测的结合意图引导与密度自适应交互的双条件流匹配

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:DID: Dual-condition flow matching with intention guidance and density-adaptive interaction for human trajectory prediction

【字体: 大 中 小 】 时间:2026年08月28日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

   • 提出了DID,一种精确高效的单步生成框架,用于人类轨迹预测。 • 开发了一种具有后验混合的非对称意图预测器,用于捕捉意图,平衡全局连贯性与局部灵活性。 • 提出了一种密度自适应交互编码器,能够在不同场景条件下准确提取全面信息。 • 设计了一种双条件自一致流匹配解码器(DS

  

• 提出了DID,一种精确高效的单步生成框架,用于人类轨迹预测。
• 开发了一种具有后验混合的非对称意图预测器,用于捕捉意图,平衡全局连贯性与局部灵活性。
• 提出了一种密度自适应交互编码器,能够在不同场景条件下准确提取全面信息。
• 设计了一种双条件自一致流匹配解码器(DS-Flow),同时利用交互与意图线索,实现精确高效的单步轨迹生成。

引言

在共享环境中预测人类的未来轨迹,是自动驾驶车辆到智能交通系统等各类智能系统的核心能力(Kalatian and Farooq, 2022, Rasouli, 2020, Rasouli et al., 2019)。人类运动受两种交织因素的影响:个人意图,即驱动向目的地移动的方向性目的,以及与附近代理和环境的社会交互(图1)(Mangalam et al., 2021, Mohamed et al., 2020)。在多个尺度上同时捕捉这两种因素,从成对避让到集体群体动态(图2左)(Liu et al., 2024a, Xu et al., 2022),并支持实时推理,构成了该领域的核心挑战。解决这些挑战需要专门针对人类轨迹预测设计的方法,其中准确建模意图与交互对于安全关键应用中的下游决策至关重要。

交互建模是一个核心挑战:准确的预测需要同时捕捉细粒度的成对避让和高阶的集体群体行为(图2左)(Xu et al., 2022)。然而,大多数现有方法忽视了这一双重需求,无论场景条件如何都采用单一的固定交互容量。轻量级成对模型能高效处理稀疏场景,但会遗漏密集人群中涌现的集体结构(图2右)(Yuan et al., 2021)。相反,重量级全注意力模型在所有时间对所有代理应用均匀密集的交互,在社交力微弱的稀疏场景中引入了虚假交互和不必要的计算(Liu et al., 2024a, Mao et al., 2023)。基于超图的方法更进一步,通过专用的重型编码器显式建模群体结构,但它们同样存在密度无关的局限性,并且预先固定群体规模而非从场景中推断群体结构(Feng et al., 2019, Xu et al., 2022)。这引出了一个自然的问题:模型如何以合适的粒度捕捉足够的社交上下文,适应场景的实际密度,而非对所有场景应用单一固定的交互策略?

早期方法将观测轨迹直接映射为未来预测,不对代理的意图进行任何显式表征。运动历史能很好地编码反应式短期线索,但代理的整体方向意图从未被抽象为专用形式。因此,预测结果往往在局部保持合理,但在较长预测范围内会逐渐偏离代理的预期目的地(图1(b))(Gan et al., 2025, Liu et al., 2024a)。这促使了对意图的显式建模,一系列工作将意图表征为预测的目的地或目标,并以此为条件指导解码器(Guo et al., 2024, Mangalam et al., 2021, Shi et al., 2023)。这些方法展示了意图引导生成的价值,但在两方面都存在局限性:意图本身难以从部分观测中准确估计,且意图输入解码器的方式并不总是设计为容忍估计的不精确性。这又引出了另一个自然问题:如何从观测运动中提取紧凑可靠的意图表征,以及应如何将其融入轨迹生成?

生成模型为多模态轨迹预测提供了自然框架,但推理效率仍是瓶颈。基于扩散的模型能产生富有表现力且多样的输出,但需要许多次序贯函数评估,导致显著延迟(Chen et al., 2025, Song et al., 2021b)。流匹配(Flow Matching, FM)定义了更直的概率路径,减少了所需步数(Lipman et al., 2023, Liu et al., 2023),但单步欧拉积分仍会累积截断误差,与多步采样相比生成质量明显下降。基于蒸馏的技术试图弥补这一差距,但它们引入了多阶段优化流水线和依赖预训练教师模型,使端到端训练复杂化(Fu et al., 2025)。这同样引出了一个自然问题:生成模型如何能在单步内产生准确多样的轨迹,正确利用交互与意图特征,而不承受迭代采样或多阶段蒸馏的开销?

为解决这些挑战,我们提出了DID(具有意图引导与密度自适应交互的双条件流匹配)。DID遵循编码-生成流水线:密度自适应双分支交互编码器产生场景上下文;非对称意图预测器将场景上下文蒸馏为意图嵌入;DS-Flow以场景上下文和意图嵌入作为解耦条件,在单步内生成轨迹(函数评估次数NFE=1)。主要贡献总结如下:

1. 密度自适应双分支交互编码器。我们提出了一种密度自适应路由策略,在稀疏场景选择轻量级时空编码器,在密集人群选择高容量双分支编码器。双分支编码器将物理偏置的成对注意力与超图分支结合:前者将邻近度、相对速度、语义对齐和接近方向编码为边特征,后者由可学习超边原型驱动,从数据中发现潜在群体结构。两个分支通过门控机制融合,产生适应实际场景条件的场景上下文。

2. 非对称意图预测器。我们提出了一种非对称双分支设计,从场景上下文中提取紧凑的意图嵌入。先验分支通过先验意图编码器将场景上下文蒸馏为潜在意图嵌入,在不访问未来信息的情况下捕捉代理的整体运动倾向。后验分支在训练时将真实未来轨迹编码为潜在特征,提供未来锚定的监督目标,驱动先验分支仅从观测中逼近意图;推理时完全丢弃该分支。

3. 双条件自一致流匹配解码器(DS-Flow)。我们设计了一种流匹配解码器,将场景上下文和意图嵌入作为解耦条件信号:意图嵌入通过AdaLN注入作为全局方向锚点,场景上下文通过交叉注意力动态检索以提供交互线索。为实现可靠的单步推理,我们引入了由EMA教师强制执行的自一致约束:解码器被训练为从同一插值路径上的相邻点对产生一致的干净轨迹预测。这实现了原生的单步生成(NFE=1),无需迭代求解器或多阶段蒸馏流水线,在保持预测精度的同时大幅降低了推理延迟。

相关工作

我们从三个直接驱动DID设计视角综述了先前的轨迹预测工作:多模态预测的生成建模、社会交互建模,以及意图与目标建模。

用于轨迹预测的生成模型。生成建模已成为多模态人类轨迹预测的主流方法,其驱动力在于需要在动态环境中捕捉多样且合理的未来行为。早期基于条件的方…

问题定义

为清晰起见,全文使用的主要符号总结于表1。

考虑一个包含N个代理的场景。设Tobs和Tpred分别表示观测与预测时段的长度,t=0标记从观测到预测的过渡点。

对于每个代理i∈{1,…,N},观测轨迹(历史轨迹)为:
xi=(x_{-Tobs+1}^i, …, x_0^i) ∈ ?^{Tobs×2}
X = [x1, x2, …, xN] ∈ ?^{N×Tobs×2}

其中x_t^i ∈ ?^2表示代理i在时刻t的二维位置。X为所有观测…

方法

图3展示了DID的整体框架。密度自适应双分支交互编码器(4.1节)根据人群密度动态选择轻量级稀疏场景编码器或高容量密集场景编码器,产生场景上下文C。非对称意图预测器(4.2节)将C蒸馏为潜在意图嵌入G,在训练时由一个未来感知的后验分支进行监督,推理时该分支被丢弃,将意图引导内化为持久的…

实验

本节我们在广泛使用的轨迹预测基准上评估DID。首先介绍实验设置,随后在标准基准上给出定量比较与定性分析。我们进一步进行效率研究以评估推理速度,通过消融实验验证每个架构组件,并检验关键超参数的敏感性。

结论

准确高效的人类轨迹预测是自动驾驶与移动机器人等安全关键应用的基石。随着自动化系统越来越多地在混合交通环境中运行,以高保真度和低延迟预测随机人类行为的能力对于安全导航和顺畅交通流变得至关重要。本研究解决了生成轨迹模型表达能力与…之间的长期权衡。

作者贡献声明

Guiqi Wang:写作 – 审阅与编辑、写作 – 原稿撰写、可视化、验证、方法论、调查、形式分析、概念化。
Ming Gao:写作 – 审阅与编辑、监督、软件、资金获取。
Hongmao Qin:监督。
Chang Liu:可视化、验证、数据整理。
Yougang Bian:写作 – 审阅与编辑、监督。
Biao Xu:监督。

Guiqi Wang | Ming Gao | Hongmao Qin | Chang Liu | Yougang Bian | Biao Xu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号