摘要
预测代理（例如行人）未来可能的行为集（如未来的轨迹）对于安全关键的感知系统（如自动驾驶汽车）至关重要。具体而言，系统生成的未来行为集必须具有多样性，以涵盖所有可能的结果，从而采取必要的安全措施。仅仅维持最有可能的未来结果集是不够的，因为该集合可能只包含单一结果的小幅变化。尽管生成模型（如变分自编码器（VAEs））已被证明是学习未来轨迹分布的强大工具，但从学习到的隐式似然模型中随机抽取的样本可能不具备多样性——似然模型是从训练数据分布中推导出来的，而样本会集中在拥有最多数据的主要模式周围。在本研究中，我们提出了一种学习多样性采样函数（DSF）的方法，该方法可以生成一组既多样又可能的未来轨迹。DSF将预测上下文特征映射到一组潜在代码，这些代码可以通过生成模型（如VAE）解码为一组多样化的轨迹样本。具体来说，识别多样化样本集的过程被表述为DSF参数估计问题。为了学习DSF的参数，我们基于行列式点过程（DPP）设计了一个多样性损失函数来评估轨迹样本的多样性。通过梯度下降法优化DSF参数，进而调整样本集的潜在代码，最终找到一组最优且多样化的轨迹。我们的方法是在连续空间中优化项目集（轨迹）的一种新颖应用。我们在低维2D轨迹数据和高维人体运动数据上展示了我们方法生成的轨迹多样性。