Apr, 2018

基于 LSTM-MDL 模型的基于粒子的行人路径预测

PDF
TL;DR提出了一种结合粒子滤波采样策略和 LSTM-MDL 模型的多模式路径预测方法，可用于安全应用中的风险评估，通过在多种现实场景中进行的实验表明最简单的方法表现最佳。
recurrent neural networkspath predictionparticle filter sampling strategieslstm-mdl modelrisk assessment
发现论文，激发创造
  • 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

  • 带有结构记忆层次的行人轨迹预测

    基于多模态数据的人体轨迹预测框架，引入结构化记忆元件，采用分层结构式 LSTM 单元模拟记忆内容，通过自动检索重要信息提高效果，并在 40,000 行人轨迹数据集上验证新模型比现有技术更准确预测未来行人运动。

    Jul, 2018

  • 短期交通流量预测的混合隐马尔可夫 LSTM 模型

    这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型，用于交通流预测，相比于传统方法，如 Markov 切换 ARIMA 和 LSTM，该模型具有显着的性能提升。

    Jul, 2023

  • LG-Traj: LLM 指导的行人轨迹预测

    通过引入 Large Language Models (LLMs)，本研究探究了使用 LLMs 改进行人轨迹预测任务的可能性，通过诱导运动线索生成物体过去 / 观察到的轨迹中的运动线索，并利用混合高斯聚类未来轨迹中的运动线索。我们的方法采用基于 Transformer 的体系结构，包括运动编码器以建模运动模式和社交解码器以捕捉行人之间的社交互动，展示了我们的方法在流行的行人轨迹预测基准数据集 ETH-UCY 和 SDD 上的有效性，并进行了多个消融实验来验证我们的方法。

    Mar, 2024

  • 基于数据的交互感知行人运动预测模型在物体杂乱环境中的应用

    本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型，同时考虑了静态障碍物和周围行人，通过与现有方法的比较，证明了该模型在预测准确性和计算效率方面的优异性，并表明在有障碍物的环境中，考虑静态障碍物对运动预测的重要性。

    Sep, 2017

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 基于时空关注模型的情境感知行人轨迹预测

    本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

    Feb, 2019

  • 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

  • Bio-LSTM: 一种仿生学启发的循环神经网络，用于 3D 行人姿态和步态预测

    本文介绍了一种仿生神经网络 (Bio-LSTM)，其能够预测行人的全局坐标系中的位置和三维关节姿态，在考虑先前帧的 3D 姿态和位置时，对于多名不同行人同时进行预测，以及在城市路口范围内达到 45 米。这篇论文通过 PedX 数据集的实际应用表明，该网络可以成功学习行人步态的特征，并产生准确和一致的 3D 姿态预测。

    Sep, 2018

  • 基于机动 LSTM 的多模态环境车辆轨迹预测

    本文针对自动驾驶汽车在复杂交通情境下进行安全高效的行驶所需的需求，提出了使用 LSTM 模型来进行交互式的运动预测，并在 NGSIM US-101 和 I-80 数据集上与其他方法进行了比较和分析。

    May, 2018