基于网格化规划条件下未知环境下的轨迹预测

Jan, 2020

基于网格化规划条件下未知环境下的轨迹预测

Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans

Nachiket Deo, Mohan M. Trivedi

TL;DR本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法，以提高对未知环境下行人和车辆运动轨迹的准确性和多样性，同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验表明，所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。

Abstract

We address the problem of forecasting pedestrian and vehicle trajectories in unknown environments, conditioned on their past motion and scene structure. trajectory forecasting is a challenging problem due to the

trajectory forecasting inverse reinforcement learning attention-based trajectory generator multimodal predictive distribution scene structure

发现论文，激发创造

基于以智能体为中心的时空栅格的场景合规轨迹预测

使用基于网格表示的模型，结合卷积神经网络及 ConvLSTM 解码器，针对人体运动预测中存在的非线性、多模态和不确定性等问题提出了一种解决方案，取得了优于现有方法的效果和真实性。

Sep, 2019

从目标、路径点和路径到长期人类轨迹预测

该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

基于目标及地图自适应的轨迹预测

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

隐式潜变量模型用于场景一致运动预测

本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

Jul, 2020

GoalNet: 面向目标区域的行人轨迹预测

通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

Feb, 2024

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

拥挤复杂场景中社交导航预测

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

城市驾驶中可行的离散行为模式的联合预测和规划

在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

Mar, 2024

通过多模态上下文理解实现多样和可接受的轨迹预测

本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。

Mar, 2020

TrajPRed：基于区域关系学习的轨迹预测

在交通场景中预测人类轨迹对于混合或完全自主系统的安全至关重要。人类未来轨迹由社交互动和随机目标驱动，因此可靠的预测需要捕捉这两个刺激。我们提出了一种基于区域关系学习的模型，通过模拟关联总体态势下人类的区域动态，即人流密度变化，来模拟社交互动。此外，我们还利用条件变分自编码器实现多目标估计和多样化未来预测。通过对潜在分布进行变分推断，该模型在测试数据中可以可靠地捕捉到随机行为。将多目标估计和区域关系学习集成到预测框架中，有效地模拟了社交互动和随机目标这两个刺激。我们在 ETH-UCY 数据集和 Stanford Drone 数据集上评估了我们的框架，结果显示在 ADE/FDE 指标上，相较于现有模型，在 SDD 数据集上我们的模型分别超过了 27.61%/18.20%。

Apr, 2024