路口转移型行人运动预测模型
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017
提出了一种基于多模态卷积神经网络框架来预测街道交叉口安全性的算法,通过将交通灯识别和交通参与者轨迹估计融合起来进行决策,实现了在交通信号化和未信号化的街道交叉口的安全导航,并在公共基准数据集和提案数据集上实现了最先进的结果。
Aug, 2018
研究 AV 预测行人短期和即时行为的不足,提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器,用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法,结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81%,优于 LSTM-ed 7.4%,然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。
May, 2023
本文探讨了自主车辆交叉路口处理的强化学习问题,并研究了其在转移学习情况下的行为。研究发现,对于不同的路口,同一种训练网络通常无法推广。然而,一个在一个十字路口上训练过,并在另一个路口上微调过的网络,相较于孤立训练,能更好地进行新任务。此外,本文还论证了对于将模拟交叉口处理知识从计算机模拟环境传递到实际自主车辆时,微调的好处。
Nov, 2017
提出了一种新颖的可传递图神经网络(T-GNN)框架,该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。
Mar, 2022
本研究提出了一种新颖的多模态预测算法,采用混合学习架构来分析环境的视觉特征和场景动态,预测行人的未来横穿行为,并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估,取得了最先进的表现。
Nov, 2020
该论文提出了一个图变换器结构来改进预测性能,捕捉数据集中不同场所和情景之间的差异,并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外,还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架,实验结果表明了我们提出的方案的改进性能。
Jan, 2024
本文提出了新的任务:行人停止和行走预测,并介绍了一个包括多个场景和行为的数据集,以及一个融合多种上下文的混合模型,用于提高行人运动预测算法的鲁棒性,并在数据集上验证了该模型的性能。
Mar, 2022
本文介绍了一种基于空间交互转化器 (SIT) 的生成方法,该方法通过注意机制学习行人轨迹的时空相关性,并引入条件变分自动编码器 (CVAE) 框架对行人的未来潜在运动状态进行建模。大规模交通数据集 nuScenes 上的实验结果表明,SIT 的性能优于最先进的方法,并在具有挑战性的 ETH 和 UCY 数据集上得到了验证。
Dec, 2021