Nov, 2019

DiversityGAN: 通过潜在语义采样实现多样化意识的车辆运动预测

PDF
TL;DR通过使用生成对抗网络模型和低维度近似语义空间，本文提出了一种新的逼真而多样化的车辆轨迹生成方法，可以从语义上控制轨迹的分布，具有最先进的预测性能和改进的安全性评估能力。
vehicle trajectory predictiongenerative adversarial networksemanticssafety evaluationstate-of-the-art prediction
发现论文，激发创造
  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

    本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

    Jun, 2020

  • 基于运动学的轨迹生成与预测及隐变量随机微分建模

    整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

    Sep, 2023

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 利用 GAN 和可微分的轨迹光栅化技术改善鸟瞰模型中交通参与者的移动预测

    本文提出了一种新的基于栅格化的条件生成对抗网络结构，用于预测自动驾驶车辆周围交通参与者的运动情况，该方法在真实世界的大规模数据集上的表现优于基于生成对抗网络的其他算法。

    Apr, 2020

  • 基于 GAN 的深度监督语义分割方法

    本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。

    Oct, 2023

  • 基于扩散的运动行为预测的可控多样性采样

    自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。

    Feb, 2024

  • 考虑驾驶异质性的纵向轨迹的概率性预测与可解释性

    基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

    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

  • 迈向可推广和可解释的运动预测：一种深度变分贝叶斯方法

    这篇论文提出了目标导向的神经变分智能体 (GNeVA)，它是一个可解释的生成模型，用于预测自动驾驶车辆在混合交通流中的潜在行为，具备对分布外情况的强大泛化能力。实验验证了该模型具备可解释性和泛化能力，并能够达到与最先进结果相媲美的性能。

    Mar, 2024