Dec, 2018

TraPHic: 基于加权交互的稠密异构交通轨迹预测

PDF
TL;DR本研究提出了一种新算法，使用 LSTM-CNN 混合网络来预测道路交通视频中不同车辆代理的不同轨迹，相较于现有算法，我们考虑了不同代理相互作用的多样性，还考虑了基于地平线视野的交互，效果比现有算法提高了 30%。
traffictrajectory predictionlstm-cnnheterogeneous interactionsdense traffic
发现论文，激发创造
  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 基于异构图的轨迹预测：局部地图环境和社交互动

    利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

    Nov, 2023

  • 使用图 LSTM 中的谱聚类预测道路行驶体轨迹和行为

    本研究提出了一种新的方法，基于谱图分析和深度学习，预测城市交通情景中的交通流量变化和道路代理的行为以及规律，通过一种加权动态几何图（DGG）表示路代理之间的距离，并提出一种基于谱聚类的新型正则化算法，有效降低预测误差并提高预测精度，经验证，平均预测误差降低了大约 75％；行为预测的加权平均准确度为 91.2%。

    Dec, 2019

  • 通过风险和场景图学习进行异构轨迹预测

    本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

    Nov, 2022

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 城市交通量推断的稠密和不完整轨迹联合建模

    本文提出了一种新的城市交通量推断框架，使用探测器和摄像头捕获到的密集 GPS 轨迹以及不完整轨迹，结合高保真交通模拟器和深度强化学习方法从不完整轨迹中恢复完整车辆行驶轨迹，并通过构建时空图和多视图图嵌入模型，推断未监测到的道路交通量。实验结果表明，该方法在中国省会城市的两个大区域中表现出了较高的准确性。

    Feb, 2019

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 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