IMR：基於迭代模式-世界加權迴歸的多智慧體軌跡預測

多智慧體運動預測對於自動駕駛汽車理解周圍車輛的意圖至關重要。然而，以往基於預測的方法（如生成多種可能的軌跡）和基於錨點的方法（如依賴預定義的固定路徑）分別存在模式多樣性和預測準確性上的侷限。基於預測的方法雖然能夠生成多種模式，但容易陷入模式坍塌，即模型傾向於只輸出少數幾種軌跡，忽略了其他可能性；而基於錨點的方法雖然準確性較高，但預測模式有限，可能導致自動駕駛汽車在複雜場景中的安全評估不足和行為偏差。為了彌合這兩種方法之間的差距，研究者提出了一種名為IMR（Iterative Mode-World Weighted Regression）的新方法。該方法引入了一種模式-世界加權迴歸損失函式，在訓練過程中同時最佳化模式多樣性和預測準確性。具體而言，該損失函式透過加權的方式平衡不同模式的重要性，在緩解模式坍塌的同時，提高了模型在全域性排名（world ranking）和top-1預測置信度上的表現。此外，IMR還採用了一種創新的迭代解碼器架構。與傳統的一次性生成完整軌跡不同，該解碼器透過遞迴方式分段生成軌跡，每一段都基於之前生成的軌跡段進行預測，從而逐步細化整體軌跡。這種遞迴分段生成策略顯著提升了預測的準確性。實驗結果表明，IMR在Argoverse 2多智慧體運動預測基準測試中排名第一，超越了所有現有方法。該研究由Honglin Wang等人完成，相關論文已發表於arXiv（編號2607.05705），涉及機器人學、人工智慧、計算機視覺和機器學習等多個領域。本研究不僅為自動駕駛運動預測提供了更可靠的解決方案，也為未來智慧交通系統中多智慧體協作行為預測奠定了堅實基礎。