带有社交图网络的随机轨迹预测
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
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 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
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
为了准确预测人群中行人的轨迹,需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法,即基于有向无环图的社会 - 时间图(STG)。利用 STGformer 模型,我们实现了端到端的流程,学习 STG 的结构用于轨迹预测,并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明,利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。
Dec, 2023
本研究通过提出 Social-STGCNN 方法,并将交互建模为图形而避免聚合方法的使用,提高人类与自主车辆之间模型交互的时效及准确性,同时提高参数及推理速度,且即使训练数据量减少可仍得出表现优异的结果。
Feb, 2020
该论文提出了一个图变换器结构来改进预测性能,捕捉数据集中不同场所和情景之间的差异,并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外,还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架,实验结果表明了我们提出的方案的改进性能。
Jan, 2024
本文提出了一个集成图像和视频的大规模数据集, 收集了各种类型的目标(不仅是行人,还有自行车,滑板车,汽车,公交车,高尔夫球车)在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法,并且这个算法利用了新数据集的复杂度,可以模拟交互中的社会力量对行人的影响,有效地解决了目标跟踪与轨迹预测问题。
Jan, 2016
本文通过利用神经网络的注意力机制和迭代逐步学习的方式,结合环境因素预测市区环境下行人位置的运动,成功构建了一个简单、高效的行人轨迹预测模型,并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面,也能够与 SoTA 模型相媲美地达到相似的性能水平。
Jun, 2022
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017