arXiv cs.AI· Wenyi Xiong, Jian Chen, Wenhua Chen, Ziheng Qi·· 4 小时前AI 评分22
无地图轨迹预测新框架 GCERT:用目标条件专家路由学习智能体内部运动与智能体间关系
Intra-Agent Motion and Inter-Agent Relation Learning for Map-Free Trajectory Prediction
AI 导读
研究者提出无地图轨迹预测框架 GCERT(Goal-Conditioned Expert-Routed Transformer),通过轻量级智能体内部前端将历史运动特征分解为平滑趋势与局部细节残差,并用因果时序 Transformer 建模其演化。
正文 · AI 翻译
摘要:轨迹预测对于自动驾驶中的安全规划与决策至关重要。无地图预测通过摆脱对高精地图的依赖提升了部署灵活性,但也失去了显式的道路拓扑与车道连通性先验。因此,模型必须从短历史中恢复稳定的运动线索,同时在没有车道级引导的情况下解析潜在的交互关系。为应对这些挑战,本文提出了一种以新型目标条件专家路由 Transformer(GCERT)为核心的无地图轨迹预测框架。轻量级智能体内部前端首先通过中心化移动平均将投影后的历史运动特征分解为平滑趋势与局部细节残差。分量特定的残差投影在因果时序 Transformer 汇总其重组演化之前对两路信号进行变换。GCERT 采用双层专家路由:边级关系专家生成交互特定的消息,而节点级状态专家在消息聚合后自适应地变换。预测的运动目标更新节点表示,并在最终交互层之前构建潜在的相对几何与朝向边特征,从而对注意力、关系特定消息生成和状态变换进行条件化。因此,GCERT 不仅决定应关注哪些邻近智能体,还决定应传递何种关系特定信息以及应如何变换聚合后的节点状态。所得表示被解码为多模态未来轨迹,并与轨迹回归、模式分类和目标预测目标联合优化。
| 主题: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI) |
| 引用为: | arXiv:2512.02368 [cs.CV] |
| (或本版本的 arXiv:2512.02368v3 [cs.CV]) | |
| https://doi.org/10.48550/arXiv.2512.02368 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Wenyi Xiong [查看邮箱]
[v1]
2025年12月2日星期二 03:20:07 UTC(1,331 KB)
[v2]
2026年1月23日星期五 04:59:15 UTC(3,371 KB)
[v3]
2026年11月17日星期二 05:11:44 UTC(4,278 KB)
来源:arXiv cs.AI · arxiv.org