Apr, 2020

TPNet: 运动预测的轨迹提议网络

PDF
TL;DR提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。
发现论文，激发创造
  • PredictionNet: 实时联合概率交通预测，用于规划、控制和模拟

    本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

    Sep, 2021

  • 可行的车辆轨迹预测

    本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

    Apr, 2021

  • 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

  • TrajectoryNet: 一种新的用于人类运动预测的时空特征学习网络

    本文提出一种基于 2D CNN 的新网络 TrajectoryNet，用于预测轨迹空间中未来的姿势，重点在于对先前姿势序列的耦合时空特征、局部全局空间特征和全局时间共现特征的建模，实验结果表明所提出方法在 3 个基准测试上达到了最先进的效果。

    Oct, 2019

  • 具有向量化表示的交互车辆条件目标导向轨迹预测

    本文提出了一种新的 CGTP 框架来进行交互行为预测，在 Argoverse 和 Waymo 数据集上进行实验并与其他传统方法进行比较，结果表明我们的模型具有更好的预测能力。

    Oct, 2022

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 2022

  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 基于图神经网络和多样性采样的并行跟踪和预测

    本研究使用图神经网络（Graph Neural Networks）捕捉对象之间的互动方式，以更好地学习多目标跟踪（Multi-object tracking）的关联和轨迹预测（trajectory prediction）的社交上下文，并使用多样性采样技术避免生成重复样本，提高了 3D MOT 和轨迹预测的性能。

    Mar, 2020

  • 时间点云网络用于运动预测

    本文介绍了一种新型的灵活的框架 ——Temporal Point Cloud Networks (TPCN)，该框架采用联合的空间和时间学习用于轨迹预测，并将轨迹预测分为空间和时间两个维度。该方法采用点云学习技术模拟智能体的位置，运用动态时间学习模拟智能体的运动。实验结果表明，该方法在 Argoverse 运动预测基准测试中具有最先进的性能。

    Mar, 2021

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023