CVPRJun, 2020

基于可达性先验 的自我中心视图物体多模式未来定位与出现预测

PDF
TL;DR研究如何预测车辆和行人的未来位置，通过估计语义地图中某些对象的可达性先验并使用计划的自我运动将其传播到未来，实现了跟踪对象的未来位置的多模态预测的改进和新对象的出现，同时也展示了对未见数据集的有前途的零 - shot 转换。
发现论文，激发创造
  • 基于自我中心视角的未来车辆本体定位技术研究

    本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

    Sep, 2018

  • 视频场景理解的概率未来预测

    本文提出了一种新颖的深度学习架构，用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动，并将此表示用于控制自动驾驶车辆。

    Mar, 2020

  • 自我中心的三维动作目标预测

    该研究旨在从自我中心视角预测人的物体操纵行为的目标位置。他们提出了一个包含 RGB-D 和 IMU 流的大型多模态数据集，并设计了使用递归神经网络的基线方法，并进行了各种消融研究以验证其有效性，从而证明该新任务值得进一步学习。

    Mar, 2022

  • 遮挡下的协作概率轨迹预测

    在视觉遮挡下的感知和规划对于安全关键任务至关重要，本论文设计了一种端到端网络，通过相对位姿估计在有遮挡的情况下合作估计遮挡行人的当前状态，并具有安全保证的轨迹预测，实验证明在遮挡下，由本体代理进行的遮挡行人不确定性感知轨迹预测与没有遮挡的真实轨迹几乎相似，该研究为多个连接代理在遮挡下进行不确定性感知导航提供了希望。

    Dec, 2023

  • 多元未来预测

    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

  • 一种新的基准测试范式和基于尺度和动态感知的自身行为者行人轨迹预测模型

    本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

    Oct, 2023

  • 多模态变压器下的上下文感知行人轨迹预测

    我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

    Jul, 2023

  • 利用激光雷达进行未来物体检测预测

    本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测，实现对多个未来情况的推理能力，并扩展了检测度量来检验预测准确性。

    Mar, 2022

  • 自我的场景感知人体轨迹预测

    利用身体携带的相机和传感器，通过对用户的视角进行全景导航数据收集，提出了一种基于周围静态场景的人体运动预测方法，该方法利用扩散模型生成潜在的未来轨迹分布，并引入了一种紧凑表示方法来编码用户对环境的视觉记忆，以及一种高效的样本生成技术来加速扩散模型的实时推理。对模型进行了实验和基准测试，结果表明该模型在避免碰撞和轨迹模式覆盖等关键指标上优于现有方法。

    Mar, 2024

  • 融合自我定位以实现更真实的点 - 目导航智能体

    本文介绍了一种基于视觉位移估计和任务特定导航策略的点目标导航代理，该代理可适应嘈杂的传感器和动作动态，并在 CVPR 2020 Habitat Challenge 的 PointNav 跟踪中获得亚军。

    Sep, 2020