通过运动不确定性扩散进行随机轨迹预测

CVPRMar, 2022

通过运动不确定性扩散进行随机轨迹预测

Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion

Tianpei Gu, Guangyi Chen, Junlong Li, Chunze Lin, Yongming Rao...

TL;DR本研究提出了一种基于马尔科夫链和 Transformer 的运动不确定性扩散逆向建模框架，通过逐步放弃不可行走区域的不确定性直至到达期望轨迹，用于解决行人轨迹预测中的多模态问题，并取得了在 Stanford Drone 和 ETH/UCY 数据集上的优异表现。

Abstract

Human behavior has the nature of indeterminacy, which requires the pedestrian trajectory prediction system to model the multi-modality of future motion states. Unlike existing stochastic trajectory prediction methods which usually use a latent variable to represent →

pedestrian trajectory prediction multi-modality motion indeterminacy diffusion markov chain transformer-based diffusion model

发现论文，激发创造

随机运动预测的人体关节运动扩散细化

该研究提出了一种名为 MotionDiff 的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了 “白化” 的潜在变量，而无需任何可训练参数，证明 MotionDiff 模型在两种数据集上具有竞争力的准确性和多样性表现。

Oct, 2022

基于运动扩散的全局一致随机人体动作预测

该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion，旨在预测未来的姿势序列，并通过使用多阶段图卷积网络和方差调度器，使预测结果准确、逼真、一致，同时在准确度和保真度方面明显优于先前的方法，并通过基准数据集展现了强大的鲁棒性。

May, 2023

带有社交图网络的随机轨迹预测

通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

Jul, 2019

揭示人类动作模式：基于模式记忆的扩散模型的轨迹预测

基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库，并引入地址机制来检索匹配的模式和每个预测的潜在目标分布，从而使得在真实世界场景中的不确定性下，准确地预测人类行为轨迹成为可能。

Jan, 2024

通过潜在走廊进行自适应人类轨迹预测

使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

Dec, 2023

无监督采样促进基于随机人类轨迹的预测

本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。

Apr, 2023

随机多人三维运动预测

该论文提出了一种新型的人类运动预测任务，针对多人运动、社交交互和关节运动的复杂性，提出了一种模型框架，通过引入可学习的潜在编码来表示未来动作的意图来实现不同层次的独立个体运动和社交交互建模，在多个数据集上得到了显著的多人预测结果，表现显著优于现有技术水平。

Jun, 2023

SingularTrajectory: 利用扩散模型的通用轨迹预测器

我们提出了 SingularTrajectory，一个基于扩散的通用路径预测框架，通过统一各种人类动力学表示，缩小了不同任务之间的性能差距。

Mar, 2024

面向意图的去噪扩散模型的轨迹预测

使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

Mar, 2024

我们能否使用扩散概率模型进行三维运动预测？

本研究评估了扩散概率模型在 3D 人体运动预测任务中的潜力。通过对人类 3.6M 和 HumanEva-I 数据集的研究，我们发现扩散概率模型可以在单个（确定性）和多个（随机性）3D 运动预测任务中具有竞争力，并且可以在单个训练过程完成后达到一个合理的预测结果，同时平衡对预测结果的可能性和多样性的需求。

Feb, 2023