跳到正文
arXiv cs.AI· Almog Anschel, Sarah Keren·· 23 小时前AI 评分24

WoRD:基于扩散模型的在线目标识别后验推理

WoRD: Diffusion-Based Posterior Inference for Online Goal Recognition

AI 导读

WoRD 用学习到的轨迹先验从部分观测中推断智能体目标,对每个候选目标运行一条热启动去噪链,通过闭式对数似然梯度将链引向观测轨迹,再用贝叶斯规则重加权为校准的目标后验。在模拟机器人、行人轨迹和车辆轨迹三类场景中,同一推理流程在模糊轨迹前缀下仍保持校准的多模态信念,而基于滤波器和分类器的方法会坍缩为单一模式或过度自信。该工作已被 NeurIPS 2026 接收。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:目标识别是指从智能体被观察到的行为中推断其意图目标的任务。现有工作大多聚焦于高层的符号化识别,将智能体抵达目标的连续运动过程抽象掉。那些确实对连续轨迹进行推理的方法依赖于显式的动力学模型,而这类模型难以获取,且很少能跨场景迁移。这两种方法都没有显式地学习智能体如何朝每个候选目标移动,从而在轨迹前缀存在歧义时限制了准确率,而这恰恰是最需要此类知识的场景。
我们提出 WoRD(Waypoint Recognition with Diffusion,基于扩散的路径点识别),它利用学习到的轨迹先验从部分观测中推断智能体的目标。在每一步,WoRD 为每个候选目标运行一条热启动的去噪链,通过闭式对数似然梯度将每条链引导至观测轨迹,并依据贝叶斯法则对所得样本重新加权,形成校准后的目标后验分布。我们在模拟机器人场景、行人轨迹和车辆轨迹上,使用针对不同失效模式的四项指标评估 WoRD。在全部三种场景中,同一套推理流程都能在存在歧义的前缀下保持校准的多模态信念,而基于滤波器和基于分类器的观测器在这些情况下会坍缩为单一模态或变得过度自信。
评论: 已被第 40 届神经信息处理系统年会(NeurIPS 2026)接收
主题: 人工智能(cs.AI);机器学习(cs.LG);机器人学(cs.RO)
引用为: arXiv:2611.23192 [cs.AI]
  (或 arXiv:2611.23192v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.23192

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Almog Anschel [查看邮箱]
[v1] 2026年11月17日星期二 18:35:53 UTC(1,227 KB)

来源:arXiv cs.AI · arxiv.org