מושגי ליבה
제안된 Guided Full Trajectory Diffuser (GFTD) 모델은 전체 궤적 분포를 학습하고 후방 샘플링을 통해 노이즈가 있거나 불완전한 입력 데이터에서도 강건한 궤적 예측과 제어 가능한 생성을 수행할 수 있다.
תקציר
이 논문은 보행자 궤적 예측 문제를 공간-시간 보간 문제로 재정의하고, 확산 모델 기반의 새로운 접근법인 Guided Full Trajectory Diffuser (GFTD)를 제안한다. GFTD는 전체 궤적(과거와 미래)의 결합 분포를 학습하고, 후방 샘플링을 통해 궤적을 예측한다.
GFTD의 주요 특징은 다음과 같다:
- 전체 궤적 분포를 단일 확산 모델로 표현하여 궤적 예측과 제어 가능한 생성을 통합적으로 다룰 수 있다.
- 후방 샘플링을 통해 노이즈가 있거나 불완전한 입력 데이터에서도 강건한 예측이 가능하다.
- 추가 학습 없이 다양한 시나리오에 적응할 수 있다.
실험 결과, GFTD는 기존 방법들과 비교하여 궤적 예측 성능이 유사하거나 우수하며, 특히 노이즈가 있거나 불완전한 데이터 환경에서 강건한 성능을 보였다. 또한 목표 지점 기반의 제어 가능한 궤적 생성에서도 우수한 성능을 보였다.
סטטיסטיקה
노이즈가 있는 입력 데이터에서 GFTD 모델의 평균 JADE/JFDE 성능 저하율은 46.58%/38.38%인 반면, 비교 모델의 성능 저하율은 57.08%/50.36%였다.
75%의 과거 데이터가 누락된 상황에서 GFTD 모델의 평균 JADE/JFDE 성능 저하율은 21.01%/16.62%였다.
ציטוטים
"우리는 전체 궤적 분포를 단일 확산 모델로 표현하여 궤적 예측과 제어 가능한 생성을 통합적으로 다룰 수 있는 새로운 프레임워크를 제안한다."
"후방 샘플링을 통해 노이즈가 있거나 불완전한 입력 데이터에서도 강건한 예측이 가능하며, 추가 학습 없이 다양한 시나리오에 적응할 수 있다."