基于时间集成和学习聚合的多模态运动预测
发表于: 。本研究解决了轨迹预测中存在的不确定性和多模态分布捕捉的挑战,提出了一种名为“基于时间集成和学习聚合”的元算法,以弥补轨迹预测中缺失行为的问题。通过利用邻近帧的预测信息,我们的方法在增强空间覆盖和预测多样性方面取得显著改善,相较于最强基线QCNet,minADE减少了4%,minFDE降低了5%,miss rate减少了1.16%。
本研究解决了轨迹预测中存在的不确定性和多模态分布捕捉的挑战,提出了一种名为“基于时间集成和学习聚合”的元算法,以弥补轨迹预测中缺失行为的问题。通过利用邻近帧的预测信息,我们的方法在增强空间覆盖和预测多样性方面取得显著改善,相较于最强基线QCNet,minADE减少了4%,minFDE降低了5%,miss rate减少了1.16%。