[논문 리뷰] AGMA: Adaptive Gaussian Mixture Anchors for Prior-Guided Multimodal Human Trajectory Forecasting

Chao Li, Rui Zhang외 3명|arXiv (Cornell University)|2026. 02. 04.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

AGMA은 배치 단위 clustering 및 Gaussian mixture anchors의 글로벌 디스틸레이션을 통해 표현적이고 장면-적응적인 프라이어를 생성하여, 다중 모달 궤적 예측을 개선하고 여러 벤치마크에서 최첨단 성능을 달성합니다.

ABSTRACT

Human trajectory forecasting requires capturing the multimodal nature of pedestrian behavior. However, existing approaches suffer from prior misalignment. Their learned or fixed priors often fail to capture the full distribution of plausible futures, limiting both prediction accuracy and diversity. We theoretically establish that prediction error is lower-bounded by prior quality, making prior modeling a key performance bottleneck. Guided by this insight, we propose AGMA (Adaptive Gaussian Mixture Anchors), which constructs expressive priors through two stages: extracting diverse behavioral patterns from training data and distilling them into a scene-adaptive global prior for inference. Extensive experiments on ETH-UCY, Stanford Drone, and JRDB datasets demonstrate that AGMA achieves state-of-the-art performance, confirming the critical role of high-quality priors in trajectory forecasting.

연구 동기 및 목표

• 고품질 프라이어의 중요성을 다중 모달 궤적 예측에서 동기 부여합니다.
• priors를 명시적으로 최적화하기 위한 2단계 프레임워크를 제안합니다: 배치 프라이어 추출 및 글로벌 프라이어 디스틸레이션.
• 프라이어 품질 향상이 예측 오차를 줄이고 분포 매칭을 향상시킨다는 것을 보여줍니다.
• ETH-UCY, Stanford Drone, JRDB 데이터셋에서 최첨단 성능을 입증합니다.

제안 방법

• 프라이어를 적응적 가우시안 혼합 앵커(GMMs)로 공식화합니다.
• 1단계: 그래프 기반 클러스터링을 통한 배치 프라이어 추출로 각 학습 배치 내 다양한 행동 패턴을 발견하고 이를 배치 수준 GMM으로 인코딩합니다.
• 2단계: 교차 주의로 맥락 조건부 글로벌 GMM으로 배치 GMM을 매핑하기 위한 최적 수송을 이용한 글로벌 프라이어 디스틸레이션.
• 간단한 공유 MLP 디코더를 사용하여 프라이어 품질이 성능을 좌우한다는 것을 보여줍니다. 디코더의 복잡도는 아님.
• 군집 품질(L_B), 가이던스의 직접 감독(L_G), 디스틸레이션 정렬(L_distill)을 강조하는 손실로 학습합니다.
• 테스트 시 샘플링은 교차 주의가 포함된 맥락 조건부 글로벌 프라이어를 사용하여 다양한 예측을 생성합니다.

Figure 1 : Qualitative comparison of priors at a three-way intersection with two agents: (a) Implicit Gaussian priors: Simple Gaussian priors collapse to a single dominant mode during training, yielding limited diversity. (b) Discrete anchor priors: Fixed discrete priors produce repetitive predictio

실험 결과

연구 질문

• RQ1 프라이어 품질 향상이 궤적 예측 정확도와 분포 매칭을 직접 향상시키나요?
• RQ2 배치 클러스터링과 글로벌 디스틸레이션을 통한 명시적 프라이어 최적화가 프라이어 불일치를 완화하고 더 나은 다중 모달 예측을 이끌어낼 수 있나요?
• RQ3 AGMA가 간단한 디코더와 프라이어 학습의 균형을 어떻게 맞춰 프라이어의 힘을 보여주나요?

주요 결과

• AGMA은 ETH-UCY에서 복잡한 디코더를 가진 방법들과 비교해 경쟁력 있고 최첨단 성능을 달성합니다.
• ETH-UCY에서 AGMA는 mADE 20에서 5.26% 개선, mFDE 20에서 9.38% 개선을 달성합니다.
• ETH-UCY, SDD, JRDB 전반에 걸쳐 AGMA는 일관된 향상을 보여주며 고품질 프라이어의 우선순위를 검증합니다.
• L_G를 제거하면 가장 큰 성능 저하가 나타난다는 차트가 있으며, 이는 글로벌 프라이어의 직접 감독의 필요성을 강조합니다.
• 배치 크기 효과는 더 세밀한 배치 분할이 국지적 프라이어를 더 잘 포착하고 글로벌 분포의 과도한 스무딩을 방지함을 나타냅니다.
• Top-K 샘플링의 증가는 여전히 성능을 향상시키며, 학습된 프라이어가 의미 있는 다양한 패턴을 인코딩하고 모드 붕괴를 피함을 시사합니다.

Figure 2 : AGMA architecture. Left: Graph-based clustering discovers behavioral patterns within each batch, forming batch-level GMM priors. Right: Optimal transport distills batch priors into a global GMM, refined via trajectory prediction with a shared decoder.