MoFlow （由 DSL-Lab 开源，CVPR 2025 收录）是一个用于多人类轨迹预测的深度学习项目。它提出了一种基于 One-Step Flow Matching 的方法，通过“隐式最大似然估计蒸馏（IMLE Distillation）”实现高效的人体运动轨迹预测。项目主要使用 Python 开发，适用于多智能体场景中的人类运动预测，相关技术包括 diffusion distillation、flow matching、one-step diffusion model 等。
项目链接 ：
https://github.com/DSL-Lab/MoFlow
概述
人类轨迹预测是一项具有挑战性的任务，主要涉及两个关键目标：
- 以高精度预测未来轨迹。
- 生成多样化的未来动作，以捕捉人类决策中固有的不确定性。
针对这一挑战，提出了MoFlow 一种新颖的动作预测条件流配准模型，可为场景中的所有体体生成K-shot（即多种可能性）未来轨迹。主要贡献包括：
- 提出了一种新颖的流配准损失函数，能够同时保证轨迹预测的准确性和多样性。
- 基于隐式最大似然估计（IMLE）的方法，创新性地将蒸馏技术应用于流模型。
- 提出了“一步流配准”方法，显著降低了计算复杂度。
MoFlow可以生成多样化、且在物理和社会层面都合理的轨迹。此外，在采样阶段，基于IMLE的一步学生模型比教师流模型快了100倍！
论文 ：
https://arxiv.org/pdf/2503.09950
项目复现 ：暂无