摘要
为实现轨迹预测，以往大多数方法采用基于参数的方法，将所有观测到的历史-未来实例对编码至模型参数中。然而，这种方法导致模型参数由全部已见实例共同决定，因而大量无关的已有实例也可能参与当前情境的预测过程，从而干扰预测性能。为在当前情境与已见实例之间建立更明确的关联，我们借鉴神经心理学中回溯性记忆的机制，提出一种基于实例的新型方法——MemoNet。该方法通过在训练数据中检索相似场景，来预测智能体的运动意图。在MemoNet中，我们设计了一对记忆存储单元（memory banks），用于显式存储训练集中具有代表性的实例，其功能类比于神经系统中的前额叶皮层；同时引入一个可训练的记忆寻址模块（memory addresser），用于自适应地在记忆库中搜索与当前情境相似的实例，其作用类似于基底神经节。在预测阶段，MemoNet通过记忆寻址模块定位记忆库中相关的实例，从而调用过往记忆。此外，我们进一步提出一种两阶段轨迹预测框架：第一阶段利用MemoNet预测智能体的目的地，第二阶段则根据预测的目的地生成完整的运动轨迹。实验结果表明，与此前最优方法相比，所提出的MemoNet在SDD、ETH-UCY和NBA数据集上分别将最终位移误差（FDE）降低了20.3%、10.2%和28.3%。同时，实验还验证了MemoNet具备在预测过程中回溯至具体历史实例的能力，显著提升了模型的可解释性。