从部分观测推断不确定轨迹
该论文针对 IoT 技术下数据采样不足的情况,提出了一种基于 EM 算法的不完全监督模型,通过粗略标记数据,同时解决旅行时间估计和路径恢复问题,实现更高精度的路径推断和更准确的时间预测。
Jun, 2022
本文提出基于扩散模型的轨迹生成框架 Diff-Traj,并通过轨迹 UNet (Traj-UNet) 结构提取轨迹特征,使其能视为高质量的轨迹生成应用程序,并保留原始分布。
Apr, 2023
本文提出了一种新的城市交通量推断框架,使用探测器和摄像头捕获到的密集 GPS 轨迹以及不完整轨迹,结合高保真交通模拟器和深度强化学习方法从不完整轨迹中恢复完整车辆行驶轨迹,并通过构建时空图和多视图图嵌入模型,推断未监测到的道路交通量。实验结果表明,该方法在中国省会城市的两个大区域中表现出了较高的准确性。
Feb, 2019
通过建立一个不确定性感知框架,本研究提出了一种能够推广预测至无历史记录的缺失位置、显著扩展预测位置的空间覆盖程度以及减少传感器部署数量的方法,并生成包含不确定性量化的概率预测,以助于风险管理和决策制定。通过对真实数据集的广泛实验,结果表明我们的方法在预测任务上取得了有希望的结果,并且不确定性量化结果与有和无历史数据的位置高度相关。我们还展示了我们的模型能够在交通领域的传感器部署任务中,以有限的传感器部署预算实现更高的准确性。
Sep, 2023
本篇论文介绍了一种叫做路径推断滤波器 (PIF) 的新型算法,用于在稀疏 GPS 点的数据下从中推断出车辆的轨迹,并可通过真实数据进行高效训练,通过在大量数据集上的评估得出比当前最先进的方法更为精确,还通过此过滤器获得了有关驾驶员驾驶模式的见解。此算法已经在 Mobile Millennium 交通信息系统中工业规模部署,在旧金山、萨克拉门托、斯德哥尔摩和波尔图等地映射了大量的数据集。
Sep, 2011
本文提出了一种基于变压器的道路网络增强轨迹恢复框架 (RNTrajRec),其中使用 GridGNN 学习每个道路段的嵌入特征,GPSFormer 学习丰富的空间和时间特征以及一个子图生成模块来捕获轨迹中每个 GPS 点的空间特征,在三个大规模真实轨迹数据集上的实验证实了我们方法的有效性。
Nov, 2022
通过部分观测数据推断潜在轨迹的方法被称为 PO-MFL,该方法在可观察状态空间模型中引入了基于熵的最小估计器,并使用调整后的动力学相邻时间边缘之间的熵传输来解决潜在轨迹推断问题,实验证实了该方法的鲁棒性及 MFL 动力学的指数收敛性。
Jun, 2024
自主车辆在复杂和动态环境中导航需要考虑可见和遮挡区域,本论文提出了一种统一的方法 Scene Informer,在部分可观测的场景中同时预测观察到的代理的轨迹和推断遮挡物。通过聚合各种输入模态并在可能与自主车辆计划路径相交的遮挡物上进行选择性查询,该框架估计了遮挡物的占用概率和可能的轨迹,以及观察代理的未来运动。在 Waymo Open Motion 数据集的部分可观测设置中,我们的方法在占用预测和轨迹预测方面优于现有方法。
Sep, 2023
本文介绍了一种基于多传感器的变分神经网络方法,用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况,并且可以与物理学预测器相结合,提高整个系统的性能。经实验证明,我们的方法可将物理学模型的预测误差提高 25%,同时以 82%的准确度成功识别不确定情况。
Jan, 2019