Non-Parametric Spatiotemporal Trajectory Prediction via State-Conditioned Transition Sampling

📄 arXiv: 2608.14349v1 📥 PDF

作者: Michael Fore, Akshay Jain, Justin Downes, Rohan Pradhan, Duncan Botti

分类: cs.LG

发布日期: 2026-08-14

💡 一句话要点

提出无参数时空轨迹预测方法以解决数据稀缺问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 轨迹预测 无参数方法 数据稀缺 多模态学习 海事监测

📋 核心要点

  1. 现有的轨迹预测方法通常依赖于复杂的模型和大量的训练数据，导致在数据稀缺情况下性能显著下降。
  2. 本文提出了一种基于历史状态转移表的无参数方法，通过空间和时间上下文进行邻居检索，避免了传统模型的训练过程。
  3. 在TrAISformer基准测试中，该方法在数据完全可用时表现出色，并在数据稀缺情况下保持稳定，优于现有的变换器模型。

📝 摘要（中文）

我们提出了一种无训练的多模态轨迹预测方法，其准确性可与57M参数的变换器相媲美，同时无需GPU和学习参数。该方法构建了历史状态到下一个位置对的转移表，并通过空间接近度、方向、速度和时间上下文的乘积核检索邻居。两种推理模式在这一共享表示上运行：多样性惩罚采样生成覆盖不同合理路径的轨迹，而束搜索则寻找最高可能路径。在TrAISformer基准（丹麦海事AIS）上，我们的方法在数据完全可用时实现了竞争性准确性，并在数据稀缺的情况下显著优于变换器——在训练数据降至10%时保持稳定，而TrAISformer则出现灾难性降级。这使得在新地理区域的部署只需数量级更少的历史数据，并且无需GPU训练。

🔬 方法详解

问题定义：本文旨在解决多模态轨迹预测中的数据稀缺问题，现有方法在缺乏足够训练数据时表现不佳，导致预测准确性下降。

核心思路：我们的方法通过构建历史状态到下一个位置的转移表，利用空间接近度、方向、速度和时间上下文的乘积核进行邻居检索，从而实现无训练的轨迹预测。

技术框架：整体架构包括转移表的构建和两种推理模式：多样性惩罚采样和束搜索。前者生成多条不同的轨迹，后者则寻找最有可能的路径。

关键创新：本研究的主要创新在于提出了一种无需学习参数的轨迹预测方法，显著降低了对计算资源的需求，并在数据稀缺情况下保持了较高的预测准确性。

关键设计：该方法的关键设计包括转移表的构建策略、邻居检索的乘积核设计，以及多样性惩罚采样和束搜索的具体实现方式。所有这些设计都旨在提高模型的灵活性和适应性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在TrAISformer基准测试中，该方法在数据完全可用时实现了竞争性准确性，并在数据稀缺情况下表现优异，能够在训练数据降至10%时保持稳定，而传统的变换器模型则出现灾难性降级，显示出显著的提升幅度。

🎯 应用场景

该研究的潜在应用领域包括交通管理、无人驾驶汽车、海洋监测等。通过在数据稀缺的情况下仍能保持高准确性，该方法为新地理区域的部署提供了可能性，具有重要的实际价值和未来影响。

📄 摘要（原文）

We present a training-free method for multi-modal trajectory prediction that achieves comparable accuracy to a 57M-parameter transformer while requiring no GPU and zero learned parameters. The method builds a transition table of historical state-to-next-position pairs and retrieves neighbors using a product kernel over spatial proximity, bearing, speed, and temporal context. Two inference modes operate over this shared representation: diversity-penalized sampling produces trajectories covering distinct plausible routes, while beam search finds the highest-likelihood path. On the TrAISformer benchmark (Danish Maritime AIS), our method achieves competitive accuracy at full data availability and dramatically outperforms the transformer in data-scarce regimes---remaining stable down to 10% of training data where TrAISformer degrades catastrophically. This enables deployment in new geographic regions from an order of magnitude less historical data, and with no GPU training.