Restauration du support de destination pour la prédiction de trajectoire multimodale à ensemble fini

Des chercheurs présentent Destination Support Restoration (DSR), une méthode publiée sur arXiv (arXiv:2609.25942v1) qui vise à corriger un défaut des systèmes de prédiction de trajectoires piétonnes utilisés par les robots évoluant en environnement humain. Ces robots raisonnent sur un ensemble fini d'hypothèses de trajectoires futures, mais les mises à jour successives en ligne tendent à concentrer ce budget limité sur les destinations dominantes, au détriment d'alternatives plausibles qui finissent sous-représentées, voire absentes de l'ensemble transmis aux modules de décision. DSR intervient comme un opérateur causal de post-sélection : à chaque étape de réparation, il construit une banque temporaire de candidats stratifiés par destination à partir du préfixe observé, convertit ces preuves en quotas cibles entiers, protège les représentants des modes actifs, puis réaffecte les hypothèses redondantes vers les modes sous-dotés. L'ensemble maintenu conserve exactement N hypothèses, avec au maximum ⌈ρN⌉ remplacements par étape, sans réentraîner le prédicteur hôte ni augmenter la taille de l'ensemble. Sur le protocole complet Edinburgh (3 719 trajectoires, trois graines aléatoires), DSR réduit l'erreur moyenne de déplacement (ADE) et l'erreur finale (FDE) pondérées MIF de 13,36% et 13,30% respectivement, pour N=64.

Pour l'industrie robotique, ce travail cible un point de contrôle souvent négligé : la gestion de l'ensemble fini d'hypothèses lui-même, plutôt que le modèle de prédiction sous-jacent. C'est pertinent pour tout intégrateur dont les robots interfacent leur module de perception prédictive avec un planificateur de trajectoire consommant un nombre fixe de scénarios, un cas fréquent en navigation autonome en environnement partagé avec des humains. Les auteurs montrent que ce module s'intègre à plusieurs prédicteurs existants sans les modifier, ce qui en fait un correctif potentiellement généralisable plutôt qu'une architecture concurrente.

DSR a été testé en association avec cinq prédicteurs de l'état de l'art, CLiFF, PPT, GDTS causal, Social Informer et PECNet, améliorant les deux métriques ADE et FDE dans chaque paire évaluée. Ce positionnement en complément, et non en remplacement, de modèles existants suggère une voie d'adoption incrémentale pour les équipes de recherche en navigation robotique plutôt qu'un changement de paradigme.