SocialCVAE: 通过交互条件化潜变量预测行人轨迹
内容提要
本文提出SocialCVAE方法，利用条件变分自编码器探索行人运动决策中的行为不确定性，并通过基于能量的交互模型生成交互能量图，以提升行人轨迹预测准确性。该方法属于学习型混合模型，核心是以社交交互条件化潜变量，从而更准确预测行人未来运动。
延伸解读
行为不确定性建模的意义
行人运动决策存在固有的不确定性，同一场景下行人可能选择不同路径。SocialCVAE利用条件变分自编码器（CVAE）探索这种行为不确定性，而非仅拟合平均轨迹。这有助于生成更符合真实人类行为的多样化预测，对于自动驾驶等需要应对多种可能性的应用具有实用价值。
交互能量图的作用
SocialCVAE通过基于能量的交互模型生成交互能量图，将行人之间的社交互动量化为能量形式。这种表示方式能够捕捉复杂的交互关系，并作为条件输入引导潜变量生成，从而在预测中更准确地反映行人之间的相互影响，提升轨迹预测的合理性。
方法定位与对比
SocialCVAE属于学习型混合模型，其核心是以社交交互条件化潜变量。与纯经验模型相比，它不依赖显式数学公式描述行为，而是从数据中学习交互模式。这种条件化潜变量的设计，使其在保持生成多样性的同时，能更灵活地适应不同场景下的行人交互。
Q&A
SocialCVAE是什么？它主要用于解决什么问题？
SocialCVAE是一种应用社交条件变分自动编码器（CVAE）来预测行人轨迹的方法，旨在利用CVAE探索人类运动决策中的行为不确定性，从而提高行人轨迹预测的准确性。
SocialCVAE如何利用交互能量图来提升预测性能？
SocialCVAE通过使用基于能量的相互作用模型生成交互能量图，该能量图用于条件化潜变量，从而更准确地预测行人未来运动。
SocialCVAE属于哪一类轨迹预测模型？
SocialCVAE属于学习型混合模型，它结合了条件变分自动编码器和基于能量的交互模型。
SocialCVAE的核心创新点是什么？
核心创新点是以社交交互条件化潜变量，即通过交互能量图来条件化CVAE的潜变量，从而更准确地预测行人未来运动。
SocialCVAE在行人轨迹预测中主要处理什么不确定性？
SocialCVAE主要处理人类运动决策中的行为不确定性，通过条件变分自动编码器来探索这种不确定性。
SocialCVAE的提出者是谁？
SocialCVAE由Wei Xiang、Haoteng Yin、He Wang和Xiaogang Jin提出。
