摘要
在拥挤环境中，长期人类路径预测对自主移动平台（如自动驾驶汽车和社交机器人）至关重要，以避免碰撞并进行高质量规划。尽管当前的研究考虑了社交互动对预测的影响，但并未揭示人们之间发生的具体社交互动类型以及这些互动如何影响行人的决策过程，从而限制了预测的鲁棒性。
行人在步行时的社交互动直观上是庞大且难以标记和量化的。本文提出了一种创新的方法，旨在量化和解读行人与他人之间的互动，提出了“学习聚类”（Learn to Cluster）。这种社交互动聚类是基于概率的潜变量生成模型，直接从顺序轨迹观测中学习，具有可扩展性，适用于任意数量的行人。
“学习聚类”是无标签的，可以自然地集成到预测模型的训练过程中。潜变量随后将作为“标签”来对社交互动进行分类。通过在多个轨迹预测基准上的大量实验，证明了我们的方法能够学习社交互动的模式，并有效地将这些模式整合到行人轨迹预测中。
博主点评： 该研究通过无标签学习方法有效提升了行人轨迹预测的精度，表明社交互动在路径预测中的重要性，为未来的自动驾驶系统提供了更为稳健的决策支持。其创新性在于将复杂的社交行为量化为可训练的模型，值得关注。