Social-BiGAT：使用Bicycle-GAN和图注意力网络的多模态轨迹预测

预测场景中多个相互作用的代理未来轨迹已成为许多不同应用中的一个重要问题，这些应用包括自主车辆控制、社交机器人、安全监控等领域。这一问题因人类之间的社会互动以及他们与场景的物理互动而变得更加复杂。尽管现有文献已经探讨了其中一些线索，但主要忽略了每个人类未来轨迹的多模态特性。在本文中，我们提出了Social-BiGAT，这是一种基于图的生成对抗网络（GAN），通过更好地建模场景中行人的社会互动来生成真实且多模态的轨迹预测。我们的方法基于图注意力网络（GAT），该网络学习可靠的特征表示，编码场景中人类之间的社会互动，并采用递归编码器-解码器架构，通过对抗训练根据这些特征预测人类的路径。我们明确考虑了预测问题的多模态性质，通过在每个场景及其潜在噪声向量之间形成可逆变换来实现这一点，类似于Bicycle-GAN的方法。实验结果表明，我们的框架在现有的轨迹预测基准测试中达到了最先进的性能，并优于多种基线方法。