IMR：基于迭代模式-世界加权回归的多智能体轨迹预测

多智能体运动预测对于自动驾驶汽车理解周围车辆的意图至关重要。然而，以往基于预测的方法（如生成多种可能的轨迹）和基于锚点的方法（如依赖预定义的固定路径）分别存在模式多样性和预测准确性上的局限。基于预测的方法虽然能够生成多种模式，但容易陷入模式坍塌，即模型倾向于只输出少数几种轨迹，忽略了其他可能性；而基于锚点的方法虽然准确性较高，但预测模式有限，可能导致自动驾驶汽车在复杂场景中的安全评估不足和行为偏差。为了弥合这两种方法之间的差距，研究者提出了一种名为IMR（Iterative Mode-World Weighted Regression）的新方法。该方法引入了一种模式-世界加权回归损失函数，在训练过程中同时优化模式多样性和预测准确性。具体而言，该损失函数通过加权的方式平衡不同模式的重要性，在缓解模式坍塌的同时，提高了模型在全局排名（world ranking）和top-1预测置信度上的表现。此外，IMR还采用了一种创新的迭代解码器架构。与传统的一次性生成完整轨迹不同，该解码器通过递归方式分段生成轨迹，每一段都基于之前生成的轨迹段进行预测，从而逐步细化整体轨迹。这种递归分段生成策略显著提升了预测的准确性。实验结果表明，IMR在Argoverse 2多智能体运动预测基准测试中排名第一，超越了所有现有方法。该研究由Honglin Wang等人完成，相关论文已发表于arXiv（编号2607.05705），涉及机器人学、人工智能、计算机视觉和机器学习等多个领域。本研究不仅为自动驾驶运动预测提供了更可靠的解决方案，也为未来智能交通系统中多智能体协作行为预测奠定了坚实基础。