展望未来之路：基于可微分仿真的多智能体轨迹预测

我们提出了一种基于全可微分模拟器的深度生成模型，用于多智能体轨迹预测。智能体采用条件循环变分神经网络（CVRNNs）进行建模，输入为以自车为中心的鸟瞰图像，表征当前环境状态，输出为包含转向与加速度的动作指令，该指令通过运动学自行车模型推导出下一时刻的智能体状态。随后，整个模拟状态对每个智能体进行可微分渲染，从而启动下一个时间步的迭代。在INTERACTION数据集上，我们仅使用标准神经网络架构和标准变分训练目标，便取得了当前最优的预测性能，生成了高度真实的多模态轨迹预测结果，且无需引入任何人为设计的多样性增强损失函数。通过消融实验，我们系统分析了模拟器各组成部分的作用，结果表明，运动学自行车模型以及来自鸟瞰图像的连续反馈机制对于实现这一性能水平均至关重要。我们将其模型命名为ITRA（Imagining the Road Ahead，意为“预见前方道路”）。