May, 2019

条件生成神经系统用于概率轨迹预测

PDF
TL;DR本文提出一种条件生成神经系统 (CGNS)，用于概率轨迹预测，该系统结合了条件潜空间学习和变分分歧最小化的优势，并利用软注意机制和可微障碍函数的正则化方法，将生成的样本推入可行区域。实验结果表明，与各种基线方法相比，我们的这个模型在预测准确性方面表现更好。
trajectory predictionconditional generative neural systemprobabilisticdeep neural networkspedestrian
发现论文，激发创造
  • 条件生成式对抗网络用于轨迹模拟中的速度控制

    本文提出了基于用户控制速度的有条件速度生成式对抗网络 (CSG)，它可以允许可控、不同模态的生成轨迹，并通过搜集和分析具有代表性的轨迹数据生成多模型个性化轨迹。通过比较，该方法不仅可以满足不同场景的仿真需求，而且具备基于最新技术水平的性能，并且简单易用。

    Mar, 2021

  • 具有向量化表示的交互车辆条件目标导向轨迹预测

    本文提出了一种新的 CGTP 框架来进行交互行为预测，在 Argoverse 和 Waymo 数据集上进行实验并与其他传统方法进行比较，结果表明我们的模型具有更好的预测能力。

    Oct, 2022

  • 基于上下文无关聚类的可靠、快速、准确的轨迹预测

    提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

    Jul, 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

  • 空间时间图双重注意力网络用于多智能体预测和跟踪

    本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

    Feb, 2021

  • Social-WaGDAT：基于 Wasserstein 双图注意力网络的交互感知轨迹预测

    本文提出了一个通用的生成神经模型（称为 Social-WaGDAT），通过引入关系归纳偏差和动态图表示，利用轨迹和场景上下文信息，提供每个代理的未来轨迹分布，从而在多代理轨迹预测中实现显式交互建模，并应用于车辆轨迹预测的运动学约束层，已在三个公共基准数据集上进行了评估和实验证明，相对于各种基线方法，该模型在预测准确性方面表现更佳。

    Feb, 2020

  • 可迁移的 GNN 自适应轨迹预测

    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

  • CPSOR-GCN: 基于情感和认知理论的车辆轨迹预测方法

    该研究提出了一种新的轨迹预测模型 CPSOR-GCN，它可以在异常情绪下预测车辆轨迹。该模型能够准确地根据驾驶员的情绪来调整主动安全系统，从而有效地减少误报。

    Nov, 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

  • 城市路口不确定性感知驾驶员轨迹预测

    本文介绍了一种基于多传感器的变分神经网络方法，用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况，并且可以与物理学预测器相结合，提高整个系统的性能。经实验证明，我们的方法可将物理学模型的预测误差提高 25％，同时以 82％的准确度成功识别不确定情况。

    Jan, 2019