摘要
预测人类行为是运动规划中一项困难但至关重要的任务，其挑战性在很大程度上源于现实场景（如自动驾驶）中未来结果的高度不确定性与多模态特性。除了单一最大后验概率（MAP）轨迹预测之外，准确建模未来状态的概率分布已成为当前研究的热点方向。本文提出MultiPath模型，该模型采用一组固定的未来状态序列锚点（anchors），这些锚点对应于轨迹分布中的各个模式。在推理阶段，模型首先预测锚点之间的离散概率分布，随后对每个锚点，回归其路径点上的偏移量及不确定性，从而在每个时间步生成一个高斯混合模型（Gaussian Mixture Model）。该模型具有高效性，仅需一次前向传播即可获得多模态的未来分布；同时输出为参数化形式，支持紧凑的通信与高效的解析概率查询。在多个数据集上的实验表明，我们的模型在预测精度上优于现有方法，并且相较于基于采样的基线方法，能够以低一个数量级的轨迹数量实现相当甚至更优的性能。