SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers

📄 arXiv: 2608.20802v1 📥 PDF

作者: Sakif Hossain, Julian Teusch, Jörg P. Müller

分类: cs.AI

发布日期: 2026-08-21

备注: Accepted at ECCV 2026

💡 一句话要点

提出SPARC以解决运动预测中的不确定性估计问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 运动预测 不确定性估计 贝叶斯方法 保形校准 多层感知机 轨迹密度 风险监控

📋 核心要点

  1. 现有的运动预测方法在不确定性估计方面存在不足，尤其是在结构化和校准的有效性上。
  2. SPARC通过引入贝叶斯-保形不确定性层，结合确定性MLP和共轭贝叶斯层，提供高效的运动预测不确定性估计。
  3. 在九个数据集协议块上，SPARC在NLL和MPJPE+NLL综合标准上排名第一，同时保持了竞争性的点准确性和高效的校准管。

📝 摘要（中文）

人类运动预测器的准确性和速度不断提高，但可靠部署需要结构化、校准和高效的不确定性估计。现有的贝叶斯和集成方法通常需要重复的随机推断，而单独的保形校准无法提供认知信号或保持轨迹协方差结构。本文提出SPARC（单次自适应风险校准），一种用于运动预测的贝叶斯-保形不确定性层。通过确定性多层感知机（MLP）骨干网络预测未来均值，结合共轭贝叶斯最后一层，将时间域特征杠杆转化为解析的时间范围认知尺度κ_t(x)。该尺度在不改变相关结构的情况下膨胀图-时间高斯协方差，分裂保形校准生成95%的边际预测管，且在可交换性下具有有限样本有效性。关键接口是结构化分解κ_t(x)Σ_{ ext{str},t}(x)，它将特征空间的认知不确定性注入轨迹密度中，无需蒙特卡洛采样。

🔬 方法详解

问题定义：本文旨在解决运动预测中的不确定性估计问题，现有方法在结构化和校准方面存在局限，无法有效提供认知信号和保持轨迹协方差结构。

核心思路：SPARC的核心思路是通过贝叶斯-保形不确定性层，将特征空间的不确定性有效地注入到轨迹密度中，从而提高运动预测的可靠性和准确性。

技术框架：SPARC的整体架构包括一个确定性的多层感知机（MLP）作为骨干网络，负责预测未来的均值；同时，采用共轭贝叶斯最后一层，将时间域特征转化为认知尺度κ_t(x)。该框架还实现了分裂保形校准，生成有效的边际预测管。

关键创新：SPARC的主要创新在于其结构化分解κ_t(x)Σ_{ ext{str},t}(x)，这一设计使得特征空间的认知不确定性能够在不进行蒙特卡洛采样的情况下注入到轨迹密度中，显著提高了效率和准确性。

关键设计：在技术细节上，SPARC采用了特定的参数设置和损失函数，以确保在不同数据集上的有效性，同时保持了高效的计算性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在实验中，SPARC在九个数据集协议块上表现优异，NLL和MPJPE+NLL综合标准均排名第一，显示出其在运动预测中的有效性和优势。同时，SPARC保持了竞争性的点准确性和高效的校准管，具有显著的性能提升。

🎯 应用场景

SPARC的研究成果在自动驾驶、机器人导航和人机交互等领域具有广泛的应用潜力。通过提供高效的运动预测不确定性估计，SPARC能够增强系统的安全性和可靠性，推动智能系统在复杂环境中的应用。

📄 摘要（原文）

Human motion forecasters are increasingly accurate and fast, but reliable deployment requires uncertainty estimates that are structured, calibrated, and efficient. Bayesian and ensemble-based uncertainty estimates often require repeated stochastic inference [15, 26], while conformal calibration alone does not provide an epistemic signal or preserve trajectory covariance structure [14, 50]. We introduce SPARC (Single-Pass Adaptive Risk Calibration), a Bayesian-conformal uncertainty layer for motion forecasting. A deterministic MLP backbone predicts the future mean, and a conjugate Bayesian last layer converts time-domain feature leverage into an analytic horizon-wise epistemic scale $κ_t(x)$. This scale inflates a graph-temporal Gaussian covariance without changing its correlation structure, and split conformal calibration produces 95% marginal prediction tubes with finite-sample validity under exchangeability. The key interface is the structured factorization $κ_t(x)Σ_{\mathrm{str},t}(x)$, which injects feature-space epistemic uncertainty into trajectory densities without Monte Carlo sampling. Across nine dataset-protocol blocks and deterministic, multimodal, and calibration baselines, SPARC ranks first on NLL and on the combined MPJPE+NLL criterion while retaining competitive point accuracy and efficient calibrated tubes. Ranking windows by $κ$ separates high-error cases, making the scale usable as a lightweight risk monitor.