Nov, 2017

CAR-Net: 明视注意力循环网络

PDF
TL;DR提出了利用空间导航环境和行为之间的依赖关系进行路径预测的可解释框架，利用 Clairvoyant Attentive Recurrent Network（CAR-Net）解决路径预测任务，并成功地应用于 Formula One 赛道、Stanford Drone 数据集等多个数据集上，并具有良好的泛化能力。
path predictionspatial navigationrecurrent networkimage analysistrajectory forecasting
发现论文，激发创造
  • 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

  • DAG-Net: 双重注意力图神经网络用于轨迹预测

    提出了一种新的递归生成模型，通过使用双重基于注意力的图神经网络，考虑单个代理未来的目标和不同代理之间的交互以及集成他们之间的相互影响信息，实现对人类行为多模式的更好预测，并在城市和运动场景中取得了最新的研究成果。

    May, 2020

  • 基于图的预测与规划策略网络（GP3Net）在动态环境中使用深度强化学习进行可扩展的自动驾驶

    在非固定驾驶环境中，提出了一种基于深度图预测和规划策略网络（GP3Net）框架，该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径，进而提高自动驾驶车辆的安全性能。

    Dec, 2023

  • MANTRA：用存储增强网络进行多轨迹预测

    本论文提出了一种基于记忆增强神经网络的多模态轨迹预测方法，该方法可以在复杂场景中安全地规划自主车辆路径，并且通过非参数化的记忆模块，可以不断改进预测效果。

    Jun, 2020

  • 基于目标驱动的自注意力循环神经网络的轨迹预测

    研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

    Apr, 2022

  • ReasonNet：具有时态和全局推理的端到端驾驶

    本文介绍了一种利用时间和全局信息的端到端驾驶框架 ——ReasonNet，其能够有效预测自动驾驶车辆在城市繁忙交通情景下的行驶逻辑，并排名领先于 CARLA 排行榜。

    May, 2023

  • PredictionNet: 实时联合概率交通预测，用于规划、控制和模拟

    本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

    Sep, 2021

  • 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

    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。

    Apr, 2017

  • Intention-Net: 集成规划和深度学习的目标导向自主导航

    该论文介绍了一种基于分层方法的导航系统，该系统采用无模型深度学习和基于模型的路径规划来帮助机器人在新环境下到达目标地点，通过预训练的意图网络来进行本地导航和与路径规划器的融合，实现在新环境和目标中的有效泛化。

    Oct, 2017

  • 基于多头注意力和联合代理 - 地图表示的自动驾驶轨迹预测

    利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

    May, 2020