多重未来轨迹预测之分岔路径园
本文提出了一种基于多尺度图形空间变换和记忆重现的轨迹平滑算法模型,可以在预测单一和多个未来路径的同时,综合利用空间信息并修正时间不一致的轨迹,同时还提出了一个新的评估指标来评估多轨迹预测的全面性。
Jun, 2022
本文提出了一种基于 MultiPath++ 的自动驾驶未来行为预测模型,通过稀疏编码和上下文感知融合等优化,使用深度学习实现了对未来行为的高质量预测,达到了领先水平。
Nov, 2021
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
本研究提出了 Goal-GAN,这是一个可解释性且可端到端训练的模型,用于人类轨迹预测,并通过将轨迹预测的任务建模为直观的两阶段过程:目标估计和路由模块,来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景,来估计可能的目标位置的多模态概率分布,并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务,该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明,我们的方法在多个基准测试中建立了一个新的最先进模型,并能够生成符合物理约束的逼真且多样化的轨迹集合。
Oct, 2020
本文提出了一种基于条件变分递归神经网络(C-VRNN)的生成式架构,用于多未来轨迹预测,在密集场景中有效地建模人类动作,并进行了公开数据集的广泛实验,证明了其在比较现有先进技术下的有效性。
May, 2020
本文提出了一个基于使用卷积神经网络 (CNN) 架构的两阶段方法,实现了模拟人类感知环境的能力,将周围环境映射到机器人可选择遍历的多条轨迹上。第一阶段是轨迹建议网络,建议出环境中可以在未来占用的各种区域。第二阶段是轨迹采样网络,通过轨迹建议网络提出的区域提供精细的轨迹。作者在各种复杂真实场景中评估了该框架,并将其性能与其他多种方法进行了比较,结果表明该框架能够改善机器人导航任务的性能。
Jun, 2019
本文提出一种名为 ITRA 的深度生成模型,使用基于全差分仿真器的条件循环变分神经网络对多智能体轨迹进行预测,成功利用运动学自行车模型和鸟瞰图像实现了最新的预测结果。
Apr, 2021
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
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性,实现了汽车行驶的目标方向建模,生成一组已提议的车辆目标路径,并将其用作空间锚点,进而预测基于目标的轨迹和对目标的分类分布,在 6 秒的预测角度内,在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明,该模型的性能优于先进的车辆轨迹预测方法。
Sep, 2020