摘要

在人类密集交互环境中，对多个社会性交互主体进行轨迹预测对于自主导航系统（如自动驾驶汽车和社交机器人）具有重要意义。本文提出了一种名为预测终点条件网络（Predicted Endpoint Conditioned Network, PECNet）的灵活人类轨迹预测方法。PECNet通过推断远距离轨迹终点，有效支持长距离多模态轨迹预测。该方法引入了一种新颖的非局部社交池化层（non-local social pooling layer），使其能够生成多样化且符合社会规范的轨迹。此外，本文还提出一种简单的“截断技巧”（truncation-trick），用于提升少样本条件下的多模态轨迹预测性能。实验结果表明，PECNet在斯坦福无人机轨迹预测基准数据集（Stanford Drone）上的表现优于当前最先进方法约20.9%，在ETH/UCY基准数据集上的性能提升达约40.8%。项目主页：https://karttikeya.github.io/publication/htf/