PACER+: 驾驶场景中的即时行人动画控制器
内容提要
本文探讨了通过引导扩散建模和强化学习训练的价值函数，实现真实行人轨迹和全身动画控制。提出了人行道运动预测模型PORCA，结合POMDP算法，提高无人驾驶车辆在高密度人流中的行驶安全性。同时，开发了多模态预测算法和博弈论模型，显著提升行人行为预测精度，并引入新评估模式和多任务学习框架，优化行人轨迹预测和动作合成。
延伸解读
技术融合：扩散模型与强化学习的协同
PACER+ 的核心创新在于将引导扩散建模与强化学习相结合。扩散模型负责生成真实的行人轨迹和全身动画，而通过强化学习训练的价值函数则引导扩散过程，使生成的轨迹更符合特定场景的需求。这种协同方式既保留了扩散模型在生成多样性上的优势，又通过价值函数引入了对场景约束的适应性，为行人动画控制提供了新的思路。
行人行为预测的多模态与博弈论方法
文章回顾了多项提升行人行为预测精度的研究。其中，多模态预测算法通过混合学习架构分析环境视觉特征和场景动态，预测行人横穿行为；而博弈论与深度学习结合的方法则专注于建模多个行人之间的交互，在预测精度上相比现有技术提升了25%。这些方法共同指向一个趋势：行人预测正从单一模态向多源信息融合、从独立个体向交互群体演进。
评估体系与多任务学习框架的进展
为了更可靠地评估行人轨迹预测算法，文章提到了一种基于场景的新评估模式，旨在反映自主行驶系统在真实挑战下的表现。同时，基于多任务学习的框架通过识别行人穿越行为并预测未来轨迹，利用人体关键点捕捉姿态和活动信息，并引入辅助任务和对比学习来提升性能。这些工作表明，评估方法和学习框架的改进与算法本身同样重要。
从虚拟交互到物理模拟的扩展
文章还涵盖了在复杂三维场景中实现长期交互任务真实物理模拟的框架，以及基于强化学习处理3D室内场景中虚拟人类与环境物体交互的方法。后者通过生成运动模型、碰撞回避奖励和交互感知奖励等设计，在运动的自然性和多样性上优于现有框架。这些研究将行人动画控制从驾驶场景延伸至更广泛的虚拟人-场景交互领域。
Q&A
PACER+如何提高无人驾驶车辆在高密度人流中的行驶安全性？
PACER+通过结合人行道运动预测模型PORCA和POMDP算法，考虑行人的全局导航意图与车辆的本地交互，从而提高无人驾驶车辆的行驶安全性。
什么是PORCA模型，它的主要功能是什么？
PORCA模型是一个人行道运动预测模型，旨在通过考虑行人的导航意图和车辆与行人的交互，预测行人的运动轨迹。
PACER+使用了哪些技术来提升行人行为预测的精度？
PACER+采用了多模态预测算法和博弈论结合深度学习的方法，显著提升了行人行为预测的精度。
如何评估自主行驶系统中的行人轨迹预测算法？
PACER+引入了一种基于场景的新评估模式，通过实证评估多模态数据的融合和分层方式，来评估行人轨迹预测算法的挑战。
PACER+在复杂三维场景中如何实现真实物理模拟？
PACER+通过将人-场景交互分解为相互作用和导航两个基本过程，构建框架以实现复杂三维场景中的长期交互任务的真实物理模拟。
PACER+如何处理虚拟人类与环境的交互？
PACER+采用基于强化学习的方法，设计了运动模型和碰撞回避奖励函数，提升了虚拟人类在3D室内场景中的运动自然性和多样性。
