Destination Support Restoration for Finite-Set Multimodal Trajectory Prediction
作者: Fengrui Liu, Jiajun Peng, Duo Peng, Feng Liu
分类: cs.RO, cs.AI
发布日期: 2026-09-22
备注: Submitted to the 2027 IEEE International Conference on Robotics and Automation (ICRA 2027)
💡 一句话要点
提出目的支持恢复方法以解决多模态轨迹预测中的信息不足问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态轨迹预测 目的支持恢复 因果后选择 机器人导航 决策支持系统
📋 核心要点
- 现有方法在多模态轨迹预测中容易忽视合理的替代目的地，导致信息不足，影响决策质量。
- 本文提出的目的支持恢复（DSR）方法通过修复目的支持，优化有限集的假设分配，提升预测的多样性和准确性。
- 在3,719条轨迹的爱丁堡协议上，DSR在N=64时，MIF加权ADE和FDE分别降低了13.36%和13.30%，显示出显著的性能提升。
📝 摘要（中文）
在行人周围操作的机器人通常需要推理出有限集的预测人类未来。然而，重复的在线更新可能会将有限的预测预算集中在主要目的地上，导致其他合理的替代方案被低估或缺失，从而影响下游决策。为此，本文提出了目的支持恢复（DSR）方法，这是一种因果后选择操作符，能够在不重新训练主预测器或增加维护集大小的情况下修复目的支持。DSR通过评估临时的目的地分层候选库，将候选证据转换为整数目标计数，保护活跃模式的代表，并将冗余的多余假设重新分配到不足的模式。实验结果表明，DSR在多个基准测试中显著提高了预测精度。
🔬 方法详解
问题定义：本文旨在解决在多模态轨迹预测中，有限的预测预算导致的目的地信息不足问题。现有方法在更新过程中容易忽略合理的替代目的地，影响下游决策的有效性。
核心思路：提出目的支持恢复（DSR）方法，通过因果后选择操作修复目的支持，避免重新训练主预测器或增加维护集大小，从而提升预测的多样性和准确性。
技术框架：DSR方法的整体架构包括几个主要模块：首先评估临时的目的地分层候选库，然后将候选证据转换为整数目标计数，接着保护活跃模式的代表，最后将冗余假设重新分配到不足的模式。
关键创新：DSR的核心创新在于其因果后选择机制，能够在保持固定假设集的情况下，有效修复目的支持。这一方法与现有的预测方法相比，能够更好地处理信息不足的问题。
关键设计：DSR在设计中采用了目的地分层候选库的评估机制，确保了活跃模式的代表得到保护，同时通过重新分配冗余假设来优化目标计数，确保每次替换都能减少分配不匹配。
🖼️ 关键图片
📊 实验亮点
在完整的3,719条轨迹的爱丁堡协议上，DSR方法在N=64时，MIF加权ADE和FDE分别降低了13.36%和13.30%。与CLiFF、PPT、因果GDTS、Social Informer和PECNet等方法的配对集成，均在每个评估对中提升了这两个指标，显示出DSR的有效性和广泛适用性。
🎯 应用场景
该研究在机器人导航、自动驾驶和人机交互等领域具有广泛的应用潜力。通过提高多模态轨迹预测的准确性和多样性，DSR方法能够帮助机器人更好地理解和预测行人的行为，从而提升安全性和效率。未来，该方法可能会影响智能交通系统和服务机器人等多个领域的决策支持系统。
📄 摘要（原文）
Robots operating around pedestrians often reason over a finite set of predicted human futures. Repeated online updates can concentrate this limited prediction budget on dominant destinations and leave plausible alternatives underrepresented or absent, removing those alternatives from the finite representation available to downstream decision making. We introduce Destination Support Restoration (DSR), a causal post-selection operator that repairs destination support without retraining the host predictor or increasing the maintained set size. At a repair step, DSR evaluates a temporary destination-stratified candidate bank from the observed prefix, converts candidate evidence into integer target counts, protects representatives of active modes, and reallocates redundant surplus hypotheses to deficient modes. The maintained and returned sets retain exactly $N$ hypotheses, and DSR replaces at most $\lceilρN\rceil$ entries. Protected representatives preserve current categorical support; lineage-aware particle filters also preserve surviving resampling ancestors. Each replacement reduces the allocation mismatch to the evidence-driven target by one. On the complete 3,719-trajectory Edinburgh protocol over three seeds, DSR reduces MIF weighted ADE and FDE by 13.36% and 13.30% at $N=64$. Paired integrations with CLiFF, PPT, causal GDTS, Social Informer, and PECNet improve both metrics in every evaluated pair. These results show that finite-set support allocation is a useful prediction-side control point when a fixed hypothesis set serves as the interface to downstream systems.