本文提出了一个基于语义知识的预测框架,通过将驾驶场景建模为时空语义图,并推理这些图之间的内部关系,实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能,而且具有良好的零样本迁移性。
Apr, 2020
该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷,提出了一个新的全面评估框架,并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时,提出了附加在多模态运动预测模型上的意图预测层,以提升输出的可解释性和生成更平衡的结果。最后,通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。
Oct, 2022
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决策制定和运动规划提供支持。
Oct, 2018
提出了一种语义感知互动运动预测方法(SIMF),该方法能够捕捉场景中的语义信息,优选相关代理以进行运动预测,并显示出优于现有技术的表现。
Jun, 2023
本研究提出了基于动态贝叶斯网络的概率性交通预测模型,结合马尔科夫模型和上下文感知的车辆运动模型,可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法,该模型表现更加优越。
Apr, 2018
该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型,以识别其他交通参与者的意图,并实现减少自动驾驶应用程序反应时间的目的,与分离模块相比达到更高的准确性和节省计算资源。
Jan, 2021
Behavioral Intention Prediction 技术在预测未来行为方面具有重要应用价值,本文探讨了 BIP-conditioned prediction 任务中各个方面的差异,并提出了未来研究方向。
Nov, 2022
使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类,验证了方法的性能和广泛适用性。
Jul, 2018
该研究使用卷积神经网络和 Transformer 网络从轨迹历史记录和卫星图像中提取时间空间和语境信息,对停车场中人驱动车辆的多模态意图和轨迹预测问题进行了研究,并提出了一种新的方法,能够更精确地预测多个模态,并编码复杂的多智能体场景,同时能够适应不同的停车地图。为了训练和评估方法,该研究还介绍了一组公开的 4K 视频数据集,其中包括了准确的注释、高帧率和丰富的交通场景。
Apr, 2022
本论文提出了一种全新的端到端可学网络,它可以对自动驾驶车辆进行联合感知、预测和运动规划,并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致,通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习,用大规模手动驾驶数据集和闭环模拟实验表明,所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。
Aug, 2020