Diffusion²：一个双扩散模型，破解自动驾驶“鬼探头”难题！

主要观点总结

本文介绍了一种名为Diffusion²的新型框架，用于瞬时行人轨迹预测。该框架由两个顺序连接的扩散模型组成，一个用于生成未观测到的历史轨迹，另一个用于预测未来轨迹。文章还介绍了为解决预测历史轨迹的不确定性问题而设计的双头参数化机制和时序自适应噪声调度。实验证明，Diffusion²在多个数据集上的性能优于现有方法。

关键观点总结

关键观点1: 瞬时行人轨迹预测的重要性

准确的行人轨迹预测对于自动驾驶至关重要，能增强车辆的安全性，尤其在涉及人车交互的场景中。

关键观点2: Diffusion²框架的介绍

Diffusion²是一个两阶段的扩散框架，由两个顺序连接的模块组成：DDPMpast和DDPMfut。DDPMpast负责反向轨迹预测并估计偶然不确定性，而DDPMfut则用于预测未来轨迹。

关键观点3: 双头参数化机制

为了量化预测历史轨迹的不确定性，文章提出了一种双头参数化机制。该机制通过引入两个输出头来增强标准的噪声预测网络，能够直接量化偶然不确定性。

关键观点4: 时序自适应噪声调度

为了结合估计的偶然不确定性，文章设计了一种时序自适应噪声调度策略。该策略根据预测的不确定性水平，动态地将噪声注入到前向扩散模型中。

关键观点5: 实验结果与讨论

实验证明，Diffusion²在多个数据集上的瞬时轨迹预测任务中树立了新的最先进水平。同时，文章也指出了模型的局限性，并讨论了未来的工作方向。