BiTraP: 双向行人轨迹预测与多模态目标估计

Jul, 2020

BiTraP: 双向行人轨迹预测与多模态目标估计

BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation

Yu Yao, Ella Atkins, Matthew Johnson-Roberson, Ram Vasudevan, Xiaoxiao Du

TL;DR本论文介绍了一种基于条件变分自编码器的双向多模态轨迹预测方法 BiTraP，该方法采用目标条件化方法和双向编 / 解码器结构以提高长期轨迹预测准确性，其在第一人称视角和鸟瞰视角均表现良好，比最先进的轨迹预测方法提高了约 10-50%。研究还发现，CVAE 中的目标模型对预测的多模态轨迹分布产生直接影响，这为碰撞回避和导航系统等机器人应用的轨迹预测器设计提供了指导。

Abstract

pedestrian trajectory prediction is an essential task in robotic applications such as autonomous driving and robot navigation. State-of-the-art trajectory predictors use a conditional variational autoencoder (CVA

pedestrian trajectory prediction conditional variational autoencoder bitrap multi-modal trajectory prediction goal conditioning

发现论文，激发创造

自动驾驶的基于路径的轨迹预测

通过提出基于路径的预测（PBP）方法，可以改进基于目标的预测模型，在标准轨迹预测指标方面取得竞争性表现，并在地图合规性方面明显优于现有方法。

Sep, 2023

一个多阶段目标驱动网络用于行人轨迹预测

该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

Jun, 2024

步行者行为预测的双向和语义推理

提出了一种多模态数据下的多任务学习框架 ——BiPed，其中包括一个双向编码器以及新颖的交互建模技术，同时提高了行人轨迹和行为预测的性能达到最新水平。

Dec, 2020

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

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

Goal-GAN: 基于目标位置估计的多模态轨迹预测

本研究提出了 Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

Oct, 2020

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

基于滑动顺序 CVAE 和时变社交感知重新思考的轨迹预测

本文提出了一种名为 CSR 的新型轨迹预测方法，由串联的条件变分自动编码器模块和社交感知回归模块组成。实验结果表明，与现有技术相比，在斯坦福无人机数据集（SDD）和 ETH / UCY 上，该方法的表现提高了约 38.0％和 22.2％。

Oct, 2021

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