CVPRApr, 2019

多智能体张量融合用于上下文轨迹预测

PDF
TL;DR自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。
autonomous drivingtrajectory predictionmulti-agent tensor fusionsocial interactionsstochasticity
发现论文，激发创造
  • 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

  • 智能：多智能体联合递归轨迹预测

    本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

    Jul, 2020

  • 模糊查询注意力下的多智能体轨迹预测

    本论文提出了一种通用结构来解决如交通预测、行人跟踪、路径规划等多智体场景轨迹预测的挑战，该结构采用惯性、相对运动、意图、互动等模式来模拟运动的归纳偏差，灵活地模拟不同环境中多智体之间的相互作用，并且通过一个新的关注机制实现连续值（模糊）决策的对话模拟，取得了比现有前沿预测模型在人群运动轨迹、美国高速公路交通、NBA 运动数据和物理数据集等不同领域中的显著性能提升，同时提出了一些消融和增益方案来理解该模型的决策过程和性能提高的原因。

    Oct, 2020

  • 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 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021

  • MCENET：用于混合交通中同质代理轨迹预测的多上下文编码器网络

    提出了一种名为 MCENET 的方法，通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化，以此解决在城市混合交通区域（即共享空间）中对异质性道路代理（行人、骑车人和车辆）进行微观级别的轨迹预测的挑战。

    Feb, 2020

  • 自主系统的空间和社会情境感知基于 Transformer 的轨迹预测

    提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

    Jun, 2024

  • 多元未来预测

    为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

    Nov, 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

  • 具有融合时空图灵活多产生器模型的轨迹预测

    我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

    Nov, 2023