Resumen: La predicción de trayectoria es una tarea crucial para modelar el comportamiento humano, especialmente en los campos como robótica social y navegación autónoma del vehículo. Las heurísticas tradicionales basadas en reglas artesanales a menudo carecen de precisión, mientras que los enfoques de aprendizaje profundo propuesto recientemente sufren costos computacionales, falta de explicación y problemas de generalización que limitan su adopción práctica. En este documento, presentamos a Trajevo, un marco que aprovecha los modelos de idiomas grandes (LLM) para diseñar automáticamente la heurística de predicción de trayectoria. Trajevo emplea un algoritmo evolutivo para generar y refinar la heurística de predicción a partir de datos de trayectoria pasados. Introducimos un muestreo de élite de generación cruzada para promover la diversidad de la población y un circuito de retroalimentación estadística que permite a la LLM analizar predicciones alternativas. Nuestras evaluaciones muestran que Trajevo supera a los métodos heurísticos anteriores en los conjuntos de datos Eth-Ucy, y supera notablemente los métodos de heurística y de aprendizaje profundo al generalizar al conjunto de datos SDD invisible. Trajevo representa un primer paso hacia el diseño automatizado de heurísticas de predicción de trayectoria rápida, explicable y generalizable. Hacemos que nuestro código fuente esté disponible públicamente para fomentar futuras investigaciones en esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 7 de mayo de 2025.
Ver Fuente Original
