Apr, 2017

基于循环神经网络的占据栅格地图上的概率车辆轨迹预测

PDF
TL;DR本文提出了一种基于递归神经网络的高效车辆轨迹预测框架，从大量的轨迹数据中学习车辆的复杂行为模式，并使用长短时记忆递归神经网络分析车辆时间行为，预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息，实验结果表明该方法可以合理地估计未来轨迹。
发现论文，激发创造
  • 使用循环神经网络进行长期占用网格预测

    使用 Lidar 网格融合和循环神经网络，我们针对自动驾驶中的复杂市区场景进行长期预测，并通过 RNN 训练将场景数据转化为序列，以预测未来的占用率，其中包括卷积长短时记忆（ConvLSTMs）来区分静态和动态区域，预测未来帧中的动态对象，并提供了一种新的经过递归跳跃连接的方法，可以预测遮挡静态区域或者遮挡的小物品，例如行人。

    Sep, 2018

  • 利用循环神经网络在静态环境中对占据栅格地图进行运动估计

    使用递归神经网络模拟车辆环境为动态格网图，从激光雷达测量的占用概率图中估计转向和刹车车辆的速度，提供更加一致和准确的速度估计。

    Sep, 2019

  • 利用循环神经网络进行动态占用栅格地图构建

    本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

    Nov, 2020

  • 使用循环神经网络进行多步预测占据栅格地图

    探究基于 OGM 序列的 RNN 网络架构的多步驾驶空间预测，通过差分学习方法达到更高的精度，能提高自动驾驶中的路径规划和导航安全性、舒适性和效率。

    Dec, 2018

  • 基于 LSTM 编码器 - 解码器的车辆轨迹序列预测

    本文提出了一种基于深度学习的，可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆（LSTM）的编码器分析过去轨迹中的模式，使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留 K 个局部最优解，产生 K 个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明，所提出的方法的预测精度显著高于传统的轨迹预测技术。

    Feb, 2018

  • 用卷积神经网络预测行人轨迹

    本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法，采用了高效的数据表示和强大的数据增强技术，在 ETH 和 TrajNet 数据集上实现了最优结果。另外，对于以前用于建模社交信息的占据方法进行了实验性探究，并得出这些方法无法捕捉社交交互的经验结论。

    Oct, 2020

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 基于策略预测网络和基于优化的上下文推理的在线车辆轨迹预测

    本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶，其中有复杂的上下文因素，例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合，并利用长短期记忆（LSTM）网络使用其序列历史观测来预测车辆的驾驶策略，并以此来指导低层基于优化的背景推理过程。最终输出的两级推理过程是一条连续的轨迹，能够自动适应不同的交通配置并准确地预测未来的车辆运动。

    Mar, 2019

  • LSTM 网络用于高速公路轨迹预测

    本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

    Jan, 2018