有限集合多模态轨迹预测的目的地支持恢复

在行人周围运行的机器人通常会对有限集合的人类未来轨迹预测进行推理。反复进行在线更新可能会将这一有限的预测预算集中到占主导地位的目的地上，使合理的替代目的地代表不足甚至完全缺失，从而将这些替代方案排除在下游决策可用的有限表示之外。我们提出 Destination Support Restoration（DSR），这是一种因果后选择算子，无需重新训练宿主预测器，也无需增大所维护集合的规模，即可修复目的地支持集。在修复步骤中，DSR根据观测前缀评估一个临时的、按目的地分层的候选库，将候选证据转换为整数目标数量，保护活跃模式的代表，并将冗余的多余假设重新分配给代表不足的模式。所维护和返回的集合始终恰好包含 $N$ 个假设，且DSR最多替换 $\lceilρN\rceil$ 个条目。受保护的代表保留当前的类别支持；具备谱系感知能力的粒子滤波器还会保留存活的重采样祖先。每次替换都会使分配结果与基于证据确定的目标之间的不匹配减少一个单位。在使用三个随机种子的完整3,719条轨迹 Edinburgh protocol 上，当 $N=64$ 时，DSR使 MIF 加权 ADE 和 FDE 分别降低13.36%和13.30%。与 CLiFF、PPT、causal GDTS、Social Informer 和 PECNet 进行成对集成后，在每一组评估中，这两个指标均得到改善。这些结果表明，当固定假设集作为下游系统的接口时，有限集合的支持分配是预测侧一个有用的控制点。