Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics

想象一下，你正站在一个拥挤的公园里，注视着一位朋友正试图前往某处。你想猜测他要去哪里，以及他将如何到达那里。这就是机器人、自动驾驶汽车和无人机面临的日常挑战：它们需要预测其他移动物体的下一步行动。但棘手之处在于：你观察的那个人可能会突然改变主意，或者他们走路的方式可能非常奇怪且难以预测。他们不会告诉你他们的计划，你也不知道他们的行走风格。在机器人领域，这被称为“意图推理”（intention inference）。这就像是在试图阅读一个人在迷宫中行走的思想，同时猜测他们的目的地和他们的运动方式，而他们随时都可能切换计划。如果机器人猜错了，它可能会发生碰撞或挡住去路。因此，科学家们一直在寻找更好的方法来快速、准确地进行这些猜测，尤其是在他们没有大量过往行为数据进行研究的情况下。

这篇论文介绍了一种聪明的、用于机器人进行这种“猜谜游戏”的新方法。作者 Shunan Yin、Zehui Lu 和 Shaoshuai Mou 创建了一个“贝叶斯”（Bayesian）算法。把它想象成一个超级聪明的侦探，它每秒钟都会更新自己的信念。这个机器人侦探不仅仅是猜测一个目的地并固守它，或者假设目标以完美的、可预测的直线运动，它同时做两件事。首先，它猜测目标想去哪里（目标）；其次，它猜测目标的运动方式（是快速、直接的奔跑者，还是缓慢、徘徊的漫步者？）。最棒的部分是，这个侦探同时学习这两者。如果目标突然改变方向，侦探会意识到：“哦，他们不只是在徘徊；他们实际上是改变了主意！”并立即更新其猜测。

论文表明，这种方法极其快速且准确。在计算机模拟中，机器人每秒可以进行 547 次这样的猜测。这比人类眨眼的频率还要快！他们用会在随机切换目标的虚拟目标进行了测试，同时也使用了真实的机器人，包括一架飞行无人机和一个四足机器人（类似于狗）。在这些测试中，与那些要么无法改变主意、要么不理解目标运动方式的旧方法相比，这种新方法在预测机器人下一步走向方面表现得更好。作者发现，通过不断更新“去向”和“方式”，机器人即使在目标移动得非常有噪声或不可预测时，也能更好地应对突发状况。他们通过数千次计算机试验和现实世界的硬件测试证明了这一点，展示了该方法在不需要预先进行大规模数据训练的情况下依然有效。

侦探的双重检查

为了理解这是如何工作的，让我们来看看这篇论文解决的两个主要问题。第一个问题是，目标（如人类或其他机器人）经常改变主意。想象一只狗在追球。它可能正朝着球直奔而去，但突然看到了一只松鼠，于是改变了方向。旧的方法通常假设狗有一个固定的目标并坚持下去，即使狗显然已经改变了航向。这篇论文认为，目标不是固定的；它们可以像开关灯一样切换。作者使用“马尔可夫”（Markovian）过程来模拟这一点，这只是一个高级说法，意思是在一组概率的基础上，目标可以在任何时刻发生变化。

第二个问题是我们不知道目标的“运动方式”。目标是一个遵循最短路径的完美机器人吗？还是一个会有些徘徊的人类？论文引入了一个特殊的数值，称为 $\alpha$ (alpha)，来描述这一点。高 $\alpha$ 值意味着目标非常果断，遵循一条笔直、高效的路线。低 $\alpha$ 值意味着目标具有“噪声”或随机性，可能会走之字形或停顿。这里的大创新在于，论文将 $\alpha$ 视为一个未知量，机器人必须在运行过程中实时推断出来。算法并没有猜测一个固定的 $\alpha$ 值并固守它，而是每当看到新的运动时，都会更新对 $\alpha$ 的猜测。

同时做两件事的魔力

这篇论文发现的核心在于，你不应该分别猜测目标和运动风格。如果你猜错了目标，你可能会认为目标正在随机移动，而实际上他们只是在尝试前往某个特定地点。如果你猜错了运动风格，你可能会认为目标正在改变目标，而实际上他们只是在走一条奇怪的路径。

作者构建了一种算法，能够同时更新这两个猜测。这就像一个侦探，在看到嫌疑人转过街角时，会立即问两个问题：“他们刚刚改变了目的地吗？”以及“这个人是快跑者还是慢走者？”通过同时回答这两个问题，侦探能获得更清晰的画面。论文表明，如果你只更新目标而保持运动风格固定（或反之亦然），你的预测会变得混乱且不准确，尤其是在目标突然改变计划时。但当你同时更新两者时，机器人就能保持冷静和准确，即使目标表现得很诡谲。

测试理论

作者不仅写出了理论，还通过三种方式对其进行了测试。

首先，他们运行了数千次计算机模拟。他们创建了会随机切换目标并以不同程度的“噪声”移动的虚拟目标。他们将这种新方法与三种其他方法进行了对比：一种假设固定目标和固定运动，一种可以改变目标但不能改变运动风格，以及一种可以改变运动风格但不能改变目标的。结果很明确：这种同时改变两者的向新方法在猜测正确目标和预测未来路径方面表现最好。它在目标改变主意后恢复速度极快。

其次，他们测试了该算法如何处理不同难度的任务。他们增加了可能的决策目标数量、预测长度以及地图的复杂度。即使情况变得复杂，该算法依然保持快速，运行频率约为 547 Hz（这意味着它每秒进行 547 次数学计算）。这足以让需要即时反应的机器人进行实时使用。

第三，他们将该算法带入了现实世界。他们将其应用于一架四旋翼无人机和一个四足机器人（类似狗的机器人）。在这些实验中，由人类操作员移动机器人并突然改变其目的地。机器人必须猜测它下一步要去哪里。论文显示，即使机器人在快速移动或突然改变方向时，该算法也能正确识别新目标并准确预测路径。无人机和那只类狗机器人都能很好地遵循预测，证明了该方法在计算机之外同样有效。

为什么这很重要

论文总结道，这种“自适应”方法是一个重要的进步。它不需要机器人预先见过目标，也不需要大量的训练数据。它只需要观察目标并实时更新其信念。作者认为，这使得该方法对于安保无人机、自动驾驶汽车以及任何需要与人类或其它不可预测个体协同工作的机器人都非常有用。通过能够处理目标在“去向”和“运动方式”上的突然变化，机器人变得更加安全和可靠。这篇论文并不声称解决了世界上所有的问题，但它表明，通过让机器人同时学习目的地和运动风格，我们可以更好地预测一个充满惊喜的世界。