Apr, 2020

终点条件下的轨迹预测：旅程并不重要，关键在于目的地

HTML
PDF
TL;DR该研究提出了 Predicted Endpoint Conditioned Network (PECNet) 方法用于灵活的人类轨迹预测，在 Drobe 和 ETH/UCY 数据集上的结果分别比之前最好结果提高了约 20.9% 和 40.8%。
发现论文，激发创造
  • Social-BiGAT:使用自行车生成对抗网络和图神经网络的多模态轨迹预测

    本论文提出了Social-BiGAT，一种基于图形的生成对抗网络，可通过更好地建模场景中行人之间的社交互动来生成逼真的多模态轨迹预测。与现有文献相比，我们通过图形注意力网络（GAT）学习可靠的特征表示来编码场景中人类之间的社会互动，以及逆变换场景和潜在噪音向量之间的关系，相对于其他基准测试结果，该框架实现了最先进的性能。

    Jul, 2019

  • 基于网格化规划条件下未知环境下的轨迹预测

    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。

    Jan, 2020

  • Trajectron++：具动态可行性的混合数据轨迹预测

    Trajectron++是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。

    Jan, 2020

  • 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

  • AC-VRNN: 基于注意力机制的条件多变量循环神经网络用于多目标轨迹预测

    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

  • 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

  • 基于潜在信仰能量模型的轨迹预测

    介绍一种概率模型 (LB-EBM) 用于多样化的人类轨迹预测，该模型通过定义在潜在空间中的代价函数来考虑运动历史和社交背景，并且采用经验演示进行学习。从该模型中采样或优化得出信念向量，用于路径规划和长程轨迹预测，并在数据集上表现优于之前的最佳方法。

    Apr, 2021

  • Social-DualCVAE: 基于社交互动模式感知与双重条件变分自编码器的多模态轨迹预测

    本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型，该模型可通过学习社交交互模式，以及先前轨迹信息进行轨迹预测，并在流行的轨迹基准测试中表现出优异的性能。

    Feb, 2022

  • 基于占据网格图的端到端轨迹分布预测

    本文提出了一种基于逆强化学习的多模态轨迹分布预测框架，采用栅格地图作为近似地面真实轨迹分布的显式和符合场景的方法，并使用不可分辨交叉熵来学习分布。同时，生成一组具有代表性的轨迹，通过可微分的基于Transformer模型的注意力机制进行建模，并在Stanford Drone数据集和Intersection Drone数据集上取得了最先进的性能。

    Mar, 2022

  • 基于目标驱动的自注意力循环神经网络的轨迹预测

    研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

    Apr, 2022