에이전트 중심의 사회적 움직임 예측: 자유 에너지 원리 관점

Agent-Centric Social Trajectory Prediction: A Free Energy Principle Perspective

움직임 예측 방법은 복잡한 운동 패턴을 파악하는 데 놀라운 능력을 보여주었습니다. 그러나 기존 방법들은 전역적인 상태 가정에 의존하며, 부분적인 정보만 주어졌을 때 충분한 믿음 추론이 어렵고, 예측 과정에서 인지적 행동 제약이 부족합니다. 이러한 한계점은 실제 환경에서의 적용 가능성과 물리적 타당성을 심각하게 저해합니다. 본 연구에서는 자유 에너지 원리에 기반하여, 현실적인 제약 조건 하에서 인지적으로 타당한 예측을 달성하기 위한 에이전트 중심의 움직임 예측 프레임워크인 FEP-Diff를 제안합니다. 구체적으로, 이중 분기 시공간 인코더는 로컬 관측으로부터 자가 운동 역학과 사회적 상호 작용 단서를 추출합니다. 이를 바탕으로, 목표 지향적인 믿음 학습기는 자유 에너지 목적 함수를 통해 최적화된 다중 모드 잠재 믿음 분포를 추론하며, 주변 에이전트 간의 인지적 일관성을 촉진하기 위해 로컬 이웃 그래프에 대한 사회적 일관성 제약을 적용합니다. 마지막으로, 학습된 믿음 표현에 토큰 수준의 프록시 컨디셔닝을 적용하여 잔차 확산 기반 움직임 생성기를 통해 정밀하고 다양한 미래 예측을 수행합니다. 다섯 가지 공개 벤치마크에서 진행한 광범위한 실험 결과는 FEP-Diff가 제한적인 가시성 조건 하에서 최첨단 방법들을 지속적으로 능가한다는 것을 보여줍니다. 코드: https://anonymous.4open.science/r/FEP-Diff-8876

Trajectory prediction methods have demonstrated remarkable capabilities in capturing complex motion patterns. However, existing methods rely on global state assumptions, suffer from insufficient belief inference under partial observability, and lack cognitive behavioral constraints in prediction. These limitations severely compromise both deployment feasibility and physical plausibility in real-world settings. In this work, we propose FEP-Diff, an agent-centric trajectory prediction framework grounded in the Free Energy Principle, aimed at achieving cognitively plausible predictions under realistic constraints. Specifically, a dual-branch spatiotemporal encoder extracts ego-motion dynamics and social interaction cues from local observations. Building upon this, a goal-conditioned belief learner infers multimodal latent belief distributions optimized via a free-energy objective, with a social consistency constraint on the local neighborhood graph to promote cognitive alignment among neighboring agents. Finally, a residual diffusion trajectory generator is conditioned on the learned belief representations with token-level proxy conditioning, producing precise and diverse future predictions. Extensive experiments on five public benchmarks demonstrate that FEP-Diff consistently outperforms state-of-the-art methods under restricted observability. Code: https://anonymous.4open.science/r/FEP-Diff-8876.