论文解读-Multimodal Deep Generative Models for Trajectory Prediction: A Conditional Variational Autoenco

本文是一篇关于用户行为预测方向的文章，本文提出了一个条件变分的自动编码器（CVAE），来进行用户的行为预测，该模型基于过去的交互信息和机器人未来的候选动作，产生人类未来轨迹的多模态分布。该文章对当前最先进的人类行为预测模型进行了回顾和分类，同时对CVAE模型的提出进行了简单的阐述。

Introductiom

作者指出为了让robot模拟人类的行为，有两种建模方式，一种的无模型的方法，是直接依靠端对端的方式从海量的数据中学习人类的行为。另一种是基于模型的方法，它注重于模型学习和策略构建之间的关联——以交互动力学的概率理解为基础，它比无模型的方法具有更好的透明度。在本文中，作者采用基于模型的HRI方法，重点学习人类行为的模型，或者更具体地说，学习未来人类行为的分布（例如轨迹）。

在基于模型的HRI方法中，作者又对当今的方法做了一个大致的分类，基于本体论的和基于现象学的。基于本体论的方法，按照作者的说法是，建立一套robot遵循的严格的规则，然后在这之上建立模型。基于现象学的方法，没有做出如此强大的建模假设，而是依赖大量数据来建模代理行为，而没有明确地对潜在动机进行研究（呜呜呜。。。不太明白和无模型方法的区别）。

作者在本文提出的方法是基于现象学的，更具体地说是使用条件变分自动编码器（CVAE）来学习一个人类行为预测模型。基于交互历史和未来机器人动作的选择，作者的工作明确地表征了在每个时间步人类行为的多模态不确定性。其中，对交互历史的学习可以使机器人学习例如经验、情绪等隐含因素。而未来动作的选择可以将反应动力学加以考虑。

该文章的贡献可以概括为以下几点：（1）对人类行为预测进行了分类。（2）提出了CVAE。（3）分析了作者提出的模型的好处。（4）和其他模型的性能进行比较。

Related work

基于本体论的方法对agent的动力（dynamic）或动机（motivation）做出假设。其中的一个方向是试图找出控制系统的潜在原理，然后导出状态空间，例如，Social Forces模型通过智能体之间的吸引力和排斥力进行交互动力学的建模；IDM模型是一个连续时间车辆跟踪模型。作者指出这种方式有如下的特点：一是没有考虑多个不同未来情况的可能性，二是没有利用过去的交互历史。

另一个方向是建模人类内在的决策过程，而不是明确地制定交互动力学。博弈论方法通过假设其他agent是合作的还是对抗的来模拟交互动力学。对于社会感知机器人导航，一些模型推断出人类的情绪或支配地位，并利用这一点通知他们的机器人规划者。一种流行的方法是将人类建模为最优规划者，并将其在每个时间步的动机表示为状态/行动相关奖励函数，代表模型有IRL模型、maxInt IRL模型。一般来说，基于奖励的方法在数据有限的环境中是有效的，因为只有少数几个参数需要学习，并且可以转移到新的和看不见的任务。然而，在大量数据的存在下，在交互历史的条件下，基于现象学方法是更有效的。

对于基于现象学的方法。一共有两种主要的生成模型：GAN和VAE。GAN有两个缺点，一是会遇到模式崩溃，即模型收敛于分布模式，无法捕获和产生不同的输出；二是GANs很难训练。VAE利用变分贝叶斯原理，从真实潜在的分布中学习一个近似分布，然后解码潜在分布中的样本产生输出。和GAN相比，VAE有以下优点，1)考虑了所有分布的模式。2）不太可能遇到模式崩溃。3）更具有多样性。3)VAE可以从分布中产生经验样本，也可以产生分布的分析表示，使其在基于模式的规划和控制背景下可能比GANS更通用.

CVAE模型

1.CVAE结构

条件生成模型的目的是用模型去拟合一个条件概率分布，可用于下游任务，例如计算给定x条件下y出现的概率，或者给定x生成y。在本文，作者研究的是通过一簇拟合真实数据的分布来计算$p(y|x)$。

CVAE模型的架构如图所示
模型中有一个编码器，参数为$\theta$