Intention-aware Hierarchical Diffusion Model for Long-term Trajectory Anomaly Detection

📄 arXiv: 2509.17068v1 📥 PDF

作者: Chen Wang, Sarah Erfani, Tansu Alpcan, Christopher Leckie

分类: cs.AI

发布日期: 2025-09-21

备注: 15 pages, 5 figures

💡 一句话要点

提出意图感知的分层扩散模型IHiD，用于长期轨迹异常检测。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 轨迹异常检测 扩散模型 逆强化学习 意图感知 无监督学习

📋 核心要点

  1. 现有轨迹异常检测方法难以同时考虑智能体的高层意图和低层导航细节，限制了其捕捉正常轨迹多样性的能力。
  2. IHiD通过逆强化学习评估高层意图，并使用扩散模型生成低层子轨迹，结合意图评估和轨迹重构进行异常检测。
  3. 实验表明，IHiD在异常检测性能上优于现有方法，F1分数提升高达30.2%，证明了其有效性。

📝 摘要（中文）

本文提出了一种名为意图感知的分层扩散模型(IHiD)的无监督轨迹异常检测方法，该方法通过高层意图评估和低层子轨迹分析来检测异常。该方法利用逆强化学习作为高层模型，基于预测的Q值评估所选子目标是否与智能体的意图一致。同时，扩散模型作为低层模型，生成以子目标信息为条件的子轨迹，并基于重构误差进行异常检测。通过整合这两个模型，IHiD有效地利用了子目标转移知识，旨在捕捉正常轨迹的多样化分布。实验结果表明，与最先进的基线方法相比，所提出的方法IHiD在F1分数方面实现了高达30.2%的异常检测性能提升。

🔬 方法详解

问题定义：长期轨迹异常检测面临着轨迹数据多样性和复杂时空依赖性的挑战。现有方法未能充分考虑智能体的高层意图和低层导航细节，导致无法准确捕捉正常轨迹的分布，从而影响异常检测的准确性。

核心思路：论文的核心思路是将轨迹异常检测分解为两个层次：高层意图评估和低层子轨迹分析。通过逆强化学习建模智能体的意图，并使用扩散模型生成符合意图的子轨迹。异常被定义为既不符合智能体意图，又难以通过扩散模型重构的轨迹。

技术框架：IHiD包含两个主要模块：1) 基于逆强化学习的意图评估模块：该模块学习一个奖励函数，用于评估给定状态下采取特定动作（到达特定子目标）的合理性。2) 基于扩散模型的子轨迹生成模块：该模块以子目标信息为条件，生成可能的子轨迹。异常检测通过计算轨迹的重构误差和意图不一致性来实现。整体流程是：首先，将轨迹分解为子轨迹，然后使用逆强化学习评估每个子轨迹的意图一致性，最后使用扩散模型重构子轨迹，并结合意图一致性和重构误差来判断轨迹是否异常。

关键创新：IHiD的关键创新在于将高层意图评估和低层子轨迹生成相结合，从而更全面地捕捉正常轨迹的分布。与现有方法相比，IHiD不仅关注轨迹的形状和速度等低层特征，还考虑了智能体的意图，从而能够更准确地检测异常。此外，使用扩散模型生成子轨迹能够更好地捕捉轨迹的多样性。

关键设计：逆强化学习模块使用最大熵逆强化学习算法，目标是学习一个奖励函数，使得智能体的行为策略能够最大化奖励。扩散模型使用DDPM（Denoising Diffusion Probabilistic Models）架构，通过逐步添加噪声，然后学习逆过程来生成数据。异常评分函数结合了逆强化学习的Q值和扩散模型的重构误差，通过加权求和得到最终的异常评分。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，IHiD在多个轨迹异常检测数据集上取得了显著的性能提升。与最先进的基线方法相比，IHiD在F1分数方面实现了高达30.2%的提升，证明了其在长期轨迹异常检测方面的有效性。此外，消融实验验证了意图评估模块和扩散模型对性能提升的贡献。

🎯 应用场景

该研究成果可应用于自动驾驶、交通监控、机器人导航等领域。例如，在自动驾驶中，可以利用IHiD检测车辆是否偏离预定路线或做出不符合交通规则的行为。在交通监控中，可以检测异常车辆行为，如逆行、超速等。在机器人导航中，可以帮助机器人识别偏离预定任务目标的行为，从而提高机器人的安全性和可靠性。

📄 摘要（原文）

Long-term trajectory anomaly detection is a challenging problem due to the diversity and complex spatiotemporal dependencies in trajectory data. Existing trajectory anomaly detection methods fail to simultaneously consider both the high-level intentions of agents as well as the low-level details of the agent's navigation when analysing an agent's trajectories. This limits their ability to capture the full diversity of normal trajectories. In this paper, we propose an unsupervised trajectory anomaly detection method named Intention-aware Hierarchical Diffusion model (IHiD), which detects anomalies through both high-level intent evaluation and low-level sub-trajectory analysis. Our approach leverages Inverse Q Learning as the high-level model to assess whether a selected subgoal aligns with an agent's intention based on predicted Q-values. Meanwhile, a diffusion model serves as the low-level model to generate sub-trajectories conditioned on subgoal information, with anomaly detection based on reconstruction error. By integrating both models, IHiD effectively utilises subgoal transition knowledge and is designed to capture the diverse distribution of normal trajectories. Our experiments show that the proposed method IHiD achieves up to 30.2% improvement in anomaly detection performance in terms of F1 score over state-of-the-art baselines.