KDDApr, 2020

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

PDF
TL;DR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。
self-drivingtraffic predictiongenerative adversarial networksrasterizationdiscriminator
发现论文，激发创造
  • 自动驾驶中交通参与者短期运动预测的不确定性感知

    我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

    Aug, 2018

  • 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

  • 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

  • DiversityGAN: 通过潜在语义采样实现多样化意识的车辆运动预测

    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。

    Nov, 2019

  • 不同 iable 可微分仿真：多智能体轨迹预测

    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

  • 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

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 条件生成式对抗网络用于轨迹模拟中的速度控制

    本文提出了基于用户控制速度的有条件速度生成式对抗网络 (CSG)，它可以允许可控、不同模态的生成轨迹，并通过搜集和分析具有代表性的轨迹数据生成多模型个性化轨迹。通过比较，该方法不仅可以满足不同场景的仿真需求，而且具备基于最新技术水平的性能，并且简单易用。

    Mar, 2021

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024

  • 基于知识感知的图形转换器用于行人轨迹预测

    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